澳门博彩：筹码、变革与挑战

在机器学习选股策略中，传统的MSE损失或交叉熵损失是代理损失，它们优化了一个与最终排序目标并不完全一致的中介目标。 本报告中我们尝试直接以Spearman相关系数作为损失函数并配合按交易日切割mini-batch的训练范式，使模型的优化方向与我们的投资目标对齐，避免代理损失可能带来的目标偏离。 【方正金工|机器学习】基于可微RankIC损失函数的深度学习选股策略 在机器学习选股策略中，传统的MSE损失或交叉熵损失是代理损失，它们优化了一个与最终排序目标并不完全一致的中介目标。 本报告中我们尝试直接以Spearman相关系数作为损失函数并配合按交易日切割mini-batch的训练范式，使模型的优化方向与我们的投资目标对齐，避免代理损失可能带来的目标偏离。 我们基于团队前期研究构建的特色高频量价因子进行因子聚合测试，在月度调仓情形下，样本外因子Rank IC为12.48%，Rank ICIR为5.41，多空年化收益率42.97%，相较于等权对照组以及MSE对照组均有明显提升。