股票配资app,炒股配资开户,在线配资杠杆炒股股票配资app,炒股配资开户,在线配资杠杆炒股

股票配资平台- www.cadhtyre.com.cn
文章7398浏览743108本站已运行50014

[哈尔滨移动网上营业厅]人工智能系列之十三-人工智能选股之损失函数的改进

本文立异性地提出了两种对数丢失函数改善计划,取得了更好的回测作用丢失函数在机器学习模型的练习进程中决议了模型的优化方向,具有重要的位置。对数丢失函数是机器学习中最常用的二分类模型丢失函数,它的办法可以被分解为两项,别离代表二分类的假阳性差错和假阴性差错,一般对数丢失函数中,两类差错的权重是持平的。本文针对对数丢失函数的办法,结合机器学习在多因子选股中的运用,提出了两种改善计划,别离处理不同方针下的机器学习选股问题。两种改善计划比较一般对数丢失函数都取得了更好的回测成果。

改善计划1:加权丢失函数愈加适宜样本不均衡的分类问题针对分类模型中两类样本不均衡的问题,咱们引入了加权丢失函数,该丢失函数能增大数量较少一类样本的丢失项权重。接下来,咱们在全A股票池内构建不均衡的练习集样本进行测验。整体来看,在坚持其他条件相同的情况下,运用加权丢失函数的模型在年化超量收益率、信息比率、Calmar比率以及召回率体现更好,可是在超量收益最大回撤方面没有显着优势。阐明关于不平衡样本,加权丢失函数关于未来体现较好的股票猜测才能更好。比照职业中性选股和个股等权选股两种办法,职业中性选股情况下运用加权丢失函数的模型优势愈加安稳。

改善计划2:广义丢失函数能下降机器学习模型的换手率广义丢失函数的中心思维是新增一项丢失项并赋予权重λ,使得模型可以在优化原始问题的一起操控猜测值与别的一个方针序列的差异。本文将广义丢失函数用于操控模型换手率,构建了相关于中证500职业市值中性的全A选股战略。回测显现,跟着λ的增大,模型的换手率出现单调下降的趋势。在所有模型中,λ取0.1时模型的年化超量收益率、夏普比率以及RankIC值最高,月均双方换手率下降了8.21%,阐明恰当地运用广义丢失函数不只能下降换手率,还能必定程度上避免过拟合。可是当λ逐步增大后,模型的年化超量收益率和夏普比率变差,阐明模型的猜测才能下降。

本文给出了改善丢失函数的推导进程和Python完成代码在本文的测验中,咱们一致选用XGBoost分类模型进行测验,在XGBoost供给的自定义丢失函数接口上改善丢失函数。XGBoost是现在最先进的Boosting模型,其详细原理可拜见本系列第六篇陈述《华泰人工智能选股之Boosting模型》。XGBoost的自定义丢失函数接口要求供给丢失函数的一阶导数和二阶导数。本文详细展现了一般丢失函数、加权丢失函数和广义丢失函数的一阶导数以及二阶导数的推导进程,并给出相应的Python完成代码。

广义丢失函数仍有进一步研讨的空间在此之前,出资组合换手率的操控一般经过组合优化或危险束缚的办法来进行,而本文说到的使用广义丢失函数这种办法,则直接将收益猜测和换手率操控放入到一个丢失函数中进行优化,更具有整体性,是一种立异的办法。关于广义丢失函数来说,其结构的通用性可以让咱们将恣意适宜的方针序列参加丢失函数中,例如某种选股因子的因子值,这样就能便利调整机器学习模型对该选股因子的露出程度,使得机器学习模型可以更便利地进行因子权重调整以及因子择时。这将是咱们之后会进一步研讨的方向。

丢失函数的改善计划需求依据详细运用环境来规划,规划不妥或许无法到达预期作用。机器学习模型是对前史出资规则的发掘,若未来商场出资环境发生变化,或许导致模型失效。

赞一下
上一篇: [农业银行代码查询]亿纬锂能-前三季度业绩高增长,动力锂电助力后续高成长
下一篇: [芒果金融官方网站]新洋丰-种植产业链中的海大集团-农资必需消费品龙头稳健成长
隐藏边栏