人工智能85：基于端到端神经网络的Alpha 策略组合优化本研究提出PortfolioNet 神经网络，这一网络开创性地将组合约束融入到Alpha 因子挖掘的网络结构中，通过单个神经网络完成输入、预测到组合优化决策的全流程，一并产生“选股因子”与“投资组合权重”两项输出。该网络在不改变因子预测模块的基础上，增加约束矩阵生成器与组合优化层，并构造了同时优化IC 与组合收益的复合损失函数。我们基于PortfolioNet构建指数增强组合，实证结果表明，该组合在提升收益和控制回撤方面均展现出一定优势。在回测区间2020-11-30 至2024-09-30 内，中证1000 组合的年化超额由7.63%提升至13.55%，信息比率由1.15 提升至2.24，超额最大回撤由8.99%降低至6.44%。
“可微”的LinSAT 算法助力实现“边预测边优化”在传统的“先预测后优化”框架下，组合优化结果对不同方向的预测误差敏感性截然不同，在某些情况下，IC 更高的因子反而会做出更差的决策。而解决这一问题的有效思路或是“边预测边优化”，具体来说，就是寻找可微的组合优化框架，将约束条件融入到因子挖掘的神经网络结构中。学界业界陆续提出了LinSAT、SPO+、NCE 等可微组合优化算法。经综合比较，我们选取LinSAT 作为本研究的底层算法，这一开源算法求解准确度高、运行速度快、较为贴合金融投资场景，是行之有效的底层方法论。
PortfolioNet 可双目标优化收益预测与组合决策我们基于LinSAT 算法构建端到端组合优化网络PortfolioNet，这一网络实现了由“原始数据输入”至“投资组合输出”的一站式建模。该网络在传统GRU 模型基础之上，增加了约束矩阵生成器与组合优化层，并且以IC 与组合收益率同时作为优化目标，引导网络向组合整体效益最大化的方向开展梯度下降。该网络内的所有参数可以实现联合优化，克服了传统两阶段方法各自为战、陷入局部最优的痛点。在完成训练之后的样本外决策环节，本着“精益求精”的目的，可考虑将网络输出的端到端因子套用传统的外部优化器，求解得到更优的投资组合。
PortfolioNet 可提升指数增强组合表现
基于PortfolioNet 构建的指增策略相比于传统GRU 模型效果提升明显。在回测区间2020-11-30 至2024-09-30 内，300 指增、1000 指增年化超额收益分别提升3.70%、5.92%；2024 年以来则分别提升2.85%、7.40%；最大回撤显著降低。500 指增年化超额在全区间下降0.95%，2024 年以来提升9.55%。通过添加端到端组合优化模块，我们可以在不改变深度学习算法的基础上，有效提升AI 量价因子的决策能力。
风险提示：人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。神经网络存在一定的过拟合风险。本文回测假定以vwap 价格成交，涨跌停时不可交易，未考虑其他影响交易因素。
版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/36129.html