文章预览
本研究介绍一种低成本、高通用性的正则化方法 —— Sharpness Aware Minimization （ SAM ），从优化器的角度提升模型的泛化性能。在 GRU 基线模型的基础上，采用传统优化器 AdamW 、 SAM 优化器及其四种改进版本进行对照实验。结果表明应用 SAM 优化器能显著提升模型预测因子的多头端收益，且基于各类 SAM 模型构建 的指数增强组合业绩均显著优于基线模型。其中，GSAM模型在三组指数增强组合上均取得良好表现，沪深300、中证500和中证1000增强组合年化超额收益分别为10.9%、15.1%和23.1%，信息比率分别为 1.87、2.26和3.12，显著优于基线模型，而ASAM模型2024年表现突出 ，三组指数增强组合超额收益均领先基线模型约 5 pct 。 核心观点 人工智能84：应用SAM优化器提升AI量化模型的泛化性能 本研究介绍一种低成本、高通用性的正则化方法——Sharpness Aware Minimization（
………………………………
