Alpha掘金系列之十二：排序学习对GRU选股模型的增强

一、报告首先探讨了融入注意力机制的GRU模型在量化选股领域的应用优势。通过参考DA-RNN模型的设计思路，报告提出将注意力机制改为特征层面的权重分配，并与GRU结合，构建了AGRU模型。实证结果表明，AGRU模型在多个指标上超越了原本的GRU模型，尤其是在大盘股上表现更为突出。

二、报告介绍了排序学习思想在量化截面选股策略中的应用。通过对比PointWise、PairWise和ListWise三大类排序学习损失函数，报告发现部分损失函数能够借助NDCG指标提升多头组合表现，且部分因子相较于传统MSE回归模型有一定提升效果。最终，报告将相对有效且相关性较低的DCG Hinge Loss、Lambda NDCG2和Neural NDCG三种排序学习损失函数与MSE所得因子值等权合成，发现合成后的因子在各款及股票池中表现均有增强。

三、报告探讨了使用多个Epoch模型参数对抗过拟合的方法。针对传统训练过程中早停后只使用最好轮次的模型参数用于预测可能存在的过拟合问题，报告提出对表现最好的N个epoch所得模型参数全部提取，并通过取均值的方式来避免过拟合倾向。实证结果表明，该方法能够有效提升模型的样本外表现稳健性。

四、报告最终将上述改进所得因子构建指数增强策略，并在沪深300、中证500和中证1000指数成分股上进行了回测。结果显示，基于排序学习与多轮参数对抗过拟合方案的AGRU指数增强策略均取得了较好的投资组合效果，其中中证1000指增策略年化超额收益达到29.81%，超额最大回撤为8.04%。