深度学习选股训练目标的多维优化——深度学习系列之二
创建于 更新于
摘要
本文提出基于 Jacobian Descend 的多目标优化框架，并通过 UPGrad 聚合器实现多目标梯度的无冲突聚合，提升深度学习选股在多约束条件下的协同优化能力 [page::3][page::9]。在不同训练目标的对比中，Listwise 相对 Pointwise 与 Pairwise 的排序效果更优，且在多头收益方面 WMSE、MSE、IC 表现更佳，CCC 提供了更平衡的预测能力与分布稳健性 [page::7]。通过跨时间梯度聚合、跨频数据训练及多任务/长短周期预测等案例，模型在换手率、行业市值中性与风险控制方面显示显著提升，强调梯度聚合的协同效应 [page::11][page::12][page::13]。基于多频率数据生成的因子在周频 Rank IC 达到 12.02%，多头收益 42.75%，多空收益 140.31%，且因子间相关性较低，显示出良好的泛化性 [page::12]。指数增强策略在沪深300、中证500、中证1000的周频调仓下实现稳定的超额收益，且跟踪误差控制在较低水平，体现了实证稳健性 [page::18]。
