金融工程專題報(bào)告：基于知識(shí)蒸餾的AI選股模型優(yōu)化.pdf
- 上傳者：每日***
- 時(shí)間：2026/05/27
- 熱度：63
- 0人點(diǎn)贊
- 舉報(bào)
本文探討了將知識(shí)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(xùn)練難題。研究選取一個(gè)在全市場(chǎng)具有穩(wěn)定且較強(qiáng)選股能力的成熟綜合選股模型作為T(mén)eacher，用其預(yù)測(cè)值作為蒸餾標(biāo)簽，引導(dǎo)基于不同數(shù)據(jù)集訓(xùn)練的Student模型學(xué)習(xí)成熟模型中的收益預(yù)測(cè)信息，同時(shí)保留各自數(shù)據(jù)集的差異化增量。
在信號(hào)驗(yàn)證方面，研究在30分鐘K線數(shù)據(jù)集和日頻量?jī)r(jià)特征數(shù)據(jù)集上進(jìn)行了對(duì)比實(shí)驗(yàn)。結(jié)果顯示，蒸餾信號(hào)因子在多頭超額收益和5日IC均值兩個(gè)維度上均顯著優(yōu)于原始信號(hào)。例如，在30分鐘K線數(shù)據(jù)集上，蒸餾信號(hào)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?jī)r(jià)特征數(shù)據(jù)集上，蒸餾信號(hào)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(shí)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?jī)r(jià)、日頻量?jī)r(jià)及基本面信息）分別訓(xùn)練，得到10組蒸餾因子。通過(guò)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(zhǔn)綜合信號(hào)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(dá)，又保留了增量信息。2021年以來(lái)，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(qiáng)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(qiáng)組合。2021年以來(lái)，滬深300指數(shù)增強(qiáng)組合年化超額收益12.8%，信息比2.88；中證500指數(shù)增強(qiáng)組合年化超額收益15.8%，信息比2.99；中證1000指數(shù)增強(qiáng)組合年化超額收益20.1%，信息比3.72。研究結(jié)果表明，知識(shí)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(zé)聲明：本文 / 資料由用戶個(gè)人上傳，平臺(tái)僅提供信息存儲(chǔ)服務(wù)，如有侵權(quán)請(qǐng)聯(lián)系刪除。
- 相關(guān)標(biāo)簽
- 相關(guān)專題
熱門(mén)下載
- 全部熱門(mén)
- 本年熱門(mén)
- 本季熱門(mén)
- 用DeepSeek優(yōu)化價(jià)量因子.pdf 392 6積分
- 金工對(duì)AI選股策略的探索與思考：機(jī)器能否在股票投資上全面取代人類？.pdf 308 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 305 6積分
- 金工深度研究：博采眾長(zhǎng)，分析師預(yù)期類因子初探.pdf 283 6積分
- 招商銀行（徐佳航）：招商銀行金融平臺(tái)工程實(shí)踐.pdf 280 10積分
- 房地產(chǎn)行業(yè)深度報(bào)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 201 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級(jí)可解釋因子挖掘框架.pdf 165 4積分
- 第九章 奇異期權(quán).pptx 110 12積分
- 金融工程-遠(yuǎn)期合約.pptx 107 21積分
- 申萬(wàn)金工因子觀察第5期：OpenClaw能否實(shí)現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？.pdf 104 4積分
- 房地產(chǎn)行業(yè)深度報(bào)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 201 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級(jí)可解釋因子挖掘框架.pdf 165 4積分
- 申萬(wàn)金工因子觀察第5期：OpenClaw能否實(shí)現(xiàn)零代碼基礎(chǔ)構(gòu)建量化策略？.pdf 104 4積分
- 金工深度研究：多維擇時(shí)模型的拆解與重構(gòu).pdf 92 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(diǎn)）.pdf 78 4積分
- 金融工程專題：熱點(diǎn)產(chǎn)業(yè)+分析師動(dòng)量溢出后排策略.pdf 73 5積分
- 金工深度研究：全球三層次流動(dòng)性風(fēng)險(xiǎn)預(yù)警模型.pdf 71 5積分
- 金融工程專題報(bào)告：基于知識(shí)蒸餾的AI選股模型優(yōu)化.pdf 64 3積分
- CJPY：長(zhǎng)江金工投研數(shù)據(jù)服務(wù)解決方案.pdf 50 5積分
- 金融工程：深度學(xué)習(xí)選股訓(xùn)練目標(biāo)的多維優(yōu)化——深度學(xué)習(xí)系列之二.pdf 45 5積分
- 金工深度研究：高頻特征參數(shù)化，分鐘級(jí)可解釋因子挖掘框架.pdf 165 4積分
- 金工深度研究：多維擇時(shí)模型的拆解與重構(gòu).pdf 92 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(diǎn)）.pdf 78 4積分
- 金融工程專題：熱點(diǎn)產(chǎn)業(yè)+分析師動(dòng)量溢出后排策略.pdf 73 5積分
- 金融工程專題報(bào)告：基于知識(shí)蒸餾的AI選股模型優(yōu)化.pdf 64 3積分
- CJPY：長(zhǎng)江金工投研數(shù)據(jù)服務(wù)解決方案.pdf 50 5積分
- 金融工程：深度學(xué)習(xí)選股訓(xùn)練目標(biāo)的多維優(yōu)化——深度學(xué)習(xí)系列之二.pdf 45 5積分
- 金工財(cái)報(bào)附注系列研究：財(cái)報(bào)附注結(jié)構(gòu)拆解、數(shù)據(jù)提取與財(cái)務(wù)畫(huà)像.pdf 31 6積分
- 金融工程丨深度報(bào)告：平臺(tái)突破——時(shí)序選股模型（一）.pdf 17 3積分
