金融工程高智威|Alpha掘金系列之十二：排序学习对GRU选股模型的增强

主要观点总结

文章主要介绍了融入注意力机制的GRU模型在量化选股领域的表现，结合神经网络编码器如RNN、CNN、Transformer的优势，并融入排序学习思想进行选股策略的优化。文章同时探讨多个Epoch模型参数对抗过拟合的问题，并取得了良好效果。最终构建了指数增强策略，在沪深300、中证500和中证1000指数增强策略上实现较高的年化超额收益。

关键观点总结

关键观点1: 融入注意力机制的GRU模型表现优异

文章结合DA-RNN两阶段注意力机制的设计思路，将注意力机制与GRU结合，在量化选股领域取得了明显的优势，超越了原本的GRU模型。

关键观点2: 参考排序学习思想在量化选股中的应用

文章参考推荐系统和搜索引擎中的排序学习思想，将其应用于量化截面选股策略，并通过对比ListWise和PairWise两大类排序学习损失函数，发现部分损失函数能有效提升多头组合表现。

关键观点3: 使用多个Epoch模型参数对抗过拟合

针对传统训练过程中早停后只使用最好轮次的模型参数进行预测存在的过拟合问题，文章提出使用多个Epoch模型参数进行预测并取均值的方法，此方法在样本外的稳健性更好。

关键观点4: 构建指数增强策略并取得良好效果

文章最终结合上述改进，构建了指数增强策略，并在沪深300、中证500和中证1000指数增强策略上实现了较高的年化超额收益。