AI+HI系列（6）：对端到端模型泛化性的思考与改进——基于样本加权与风格约束

端到端模型泛化性的思考与改进

背景与目标

在复杂多变的市场环境中，模型的泛化能力成为关键问题。端到端模型在样本外数据分布与样本内存在偏差时表现不佳，尤其是在2024年的市场环境下，端到端GRU模型在“未见过”的数据上表现较差。本报告旨在通过改进模型泛化性，提高其在不同市场风格下的稳健性。

模型分析与设计

为了改进端到端模型的泛化能力，研究者提出了两种方法：基于分组样本加权的GRU DRO模型和基于风格约束的GRU CONST模型。这两种方法不依赖于特定的模型架构，具有较高的通用性和灵活性。

测试结果

1. 风格测试

   • GRU DRO模型：10日RankIC达14.3，分组多头TOP组超额年化收益39.67%，较基线GRU提升4%；超额夏普比率1.55，较基线提升0.12；2024年最大回撤-16%，优于基线的-21%。
   • GRU CONST模型：10日IC最高达14.1，TOP组整体表现与基线持平，在2024年9-11月区间，强/弱约束设置下，TOP组超额收益分别为4.24%、-1.58%，较基线分别提高7.62%、1.8%。

2. 1000指增应用

   • GRU DRO模型：超额年化较基线提高1.17%，最大回撤相比基线降低2%，Calmar比率为3，优于基线的1.99。
   • GRU CONST模型：超额年化较基线提高约1.5%，回撤与基线持平。

风险提示

策略基于历史数据回测，不保证未来数据的有效性。深度学习模型存在过拟合风险，受随机数影响，模型实现与参考文献原文存在差异。

总结

通过引入分组样本加权和风格约束，端到端模型的泛化能力得到了显著提升。改进后的模型在不同市场风格和应用场景下表现更佳，有助于提高量化投资的稳健性。