金融工程專題報告：基于知識蒸餾的AI選股模型優(yōu)化.pdf
- 上傳者：每***
- 時間：2026/05/27
- 熱度：69
- 0人點贊
- 舉報
本文探討了將知識蒸餾技術(shù)應(yīng)用于量化選股領(lǐng)域的優(yōu)化方法，旨在解決高頻數(shù)據(jù)低信噪比導(dǎo)致的模型訓練難題。研究選取一個在全市場具有穩(wěn)定且較強選股能力的成熟綜合選股模型作為Teacher，用其預(yù)測值作為蒸餾標簽，引導(dǎo)基于不同數(shù)據(jù)集訓練的Student模型學習成熟模型中的收益預(yù)測信息，同時保留各自數(shù)據(jù)集的差異化增量。
在信號驗證方面，研究在30分鐘K線數(shù)據(jù)集和日頻量價特征數(shù)據(jù)集上進行了對比實驗。結(jié)果顯示，蒸餾信號因子在多頭超額收益和5日IC均值兩個維度上均顯著優(yōu)于原始信號。例如，在30分鐘K線數(shù)據(jù)集上，蒸餾信號因子多頭超額提升至34.2%，5日IC均值提升至11.7%；在日頻量價特征數(shù)據(jù)集上，蒸餾信號多頭超額提升至32.1%，5日IC均值提升至11.1%。
在模型構(gòu)建與因子集成方面，研究基于“時序LSTM+截面圖注意力”基礎(chǔ)架構(gòu)構(gòu)建Student模型，并使用5類數(shù)據(jù)集（覆蓋高頻量價、日頻量價及基本面信息）分別訓練，得到10組蒸餾因子。通過LightGBM、Xgboost、CatBoost三類GBDT模型加權(quán)集成，得到綜合因子。該綜合因子與基準綜合信號相關(guān)性約76%，與Teacher模型因子值相關(guān)性約87%，表明其既繼承了成熟模型的特征表達，又保留了增量信息。2021年以來，綜合因子5日IC均值13.0%，多頭組合年化超額收益50.0%。
在指數(shù)增強策略方面，基于綜合蒸餾因子構(gòu)建滬深300、中證500和中證1000指數(shù)增強組合。2021年以來，滬深300指數(shù)增強組合年化超額收益12.8%，信息比2.88；中證500指數(shù)增強組合年化超額收益15.8%，信息比2.99；中證1000指數(shù)增強組合年化超額收益20.1%，信息比3.72。研究結(jié)果表明，知識蒸餾技術(shù)能有效提升AI選股模型的性能，為量化投資提供了新的優(yōu)化路徑。
免責聲明：本文 / 資料由用戶個人上傳，平臺僅提供信息存儲服務(wù)，如有侵權(quán)請聯(lián)系刪除。
- 相關(guān)標簽
- 相關(guān)專題
熱門下載
- 全部熱門
- 本年熱門
- 本季熱門
- 用DeepSeek優(yōu)化價量因子.pdf 399 6積分
- 金工對AI選股策略的探索與思考：機器能否在股票投資上全面取代人類？.pdf 309 6積分
- AI選股模型特征篩選與處理：SHAP、中性化與另類特征.pdf 309 6積分
- 金工深度研究：博采眾長，分析師預(yù)期類因子初探.pdf 288 6積分
- 招商銀行（徐佳航）：招商銀行金融平臺工程實踐.pdf 282 10積分
- 房地產(chǎn)行業(yè)深度報告：基于量化分析與大模型的房地產(chǎn)股票AI選股系統(tǒng).pdf 205 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級可解釋因子挖掘框架.pdf 173 4積分
- 第九章 奇異期權(quán).pptx 115 12積分
- 金融工程-遠期合約.pptx 112 21積分
- 金工實習報告范文.docx 109 5積分
- 房地產(chǎn)行業(yè)深度報告：基于量化分析與大模型的房地產(chǎn)股票AI選股系統(tǒng).pdf 205 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級可解釋因子挖掘框架.pdf 173 4積分
- 申萬金工因子觀察第5期：OpenClaw能否實現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？.pdf 109 4積分
- 金工深度研究：多維擇時模型的拆解與重構(gòu).pdf 101 3積分
- 金融工程指數(shù)量化系列：高值偏離修復(fù)模型（多位點）.pdf 81 4積分
- 金融工程專題：熱點產(chǎn)業(yè)+分析師動量溢出后排策略.pdf 79 5積分
- 金工深度研究：全球三層次流動性風險預(yù)警模型.pdf 76 5積分
- 金融工程專題報告：基于知識蒸餾的AI選股模型優(yōu)化.pdf 70 3積分
- 金融工程丨深度報告：平臺突破——時序選股模型（一）.pdf 63 3積分
- CJPY：長江金工投研數(shù)據(jù)服務(wù)解決方案.pdf 59 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級可解釋因子挖掘框架.pdf 173 4積分
- 金工深度研究：多維擇時模型的拆解與重構(gòu).pdf 101 3積分
- 金融工程指數(shù)量化系列：高值偏離修復(fù)模型（多位點）.pdf 81 4積分
- 金融工程專題：熱點產(chǎn)業(yè)+分析師動量溢出后排策略.pdf 79 5積分
- 金融工程專題報告：基于知識蒸餾的AI選股模型優(yōu)化.pdf 70 3積分
- 金融工程丨深度報告：平臺突破——時序選股模型（一）.pdf 63 3積分
- CJPY：長江金工投研數(shù)據(jù)服務(wù)解決方案.pdf 59 5積分
- 金融工程：深度學習選股訓練目標的多維優(yōu)化——深度學習系列之二.pdf 51 5積分
- 金工財報附注系列研究：財報附注結(jié)構(gòu)拆解、數(shù)據(jù)提取與財務(wù)畫像.pdf 36 6積分
