Momentum-integrated Multi-task Stock Recommendation with Converge-based Optimization
创建于 更新于
摘要
本文提出了一种结合动量指标的多任务学习框架MiM-StocR，设计了基于动量线指标的分类任务和自适应k近似NDCG排序损失，显著提升了股票推荐的排名能力和盈利性能。同时，引入CQB优化方法，有效缓解了训练中的过拟合问题。实证结果表明，该方法在SEE50、CSI100和CSI300三个基准上均优于现有多任务学习基线，具备较强泛化能力和投资适用性 [page::0][page::1][page::4][page::5]。
