今天分享的是：华泰人工智能系列之十三：人工智能选股之损失函数的改进
报告共计：22页
人工智能选股之损失函数改进研究总结
本文聚焦于人工智能选股中损失函数的改进，对提升选股模型性能意义深远。
在理论阐释上，详述对数损失函数。它源于逻辑回归极大似然估计，用于衡量样本预测与真实值差距，左右模型优化走向。其标准式可拆解为假阳性与假阴性误差项，原始情形下二者权重等同。此为后续改进奠定理论根基，清晰呈现其在二分类模型中评估误差的关键特质。
改进方案为研究核心。加权损失函数专为样本失衡分类难题打造，如疾病诊断样本中病患极少场景。通过增添权重β提升少数样本损失项权重，测试于全 A 股池，构建不均训练集。结果显示，保持其他条件恒定，该函数在年化超额收益率、信息比率、Calmar 比率及召回率上表现更优，行业中性选股时优势稳固，有力证实其于不平衡样本下预测优质股能力卓越，根源在于精准校准不同类别样本在损失计算中的占比权重，强化少数关键样本影响力。
广义损失函数着眼于降低模型换手率。其创新地新增带权重λ损失项，实现原始问题优化与预测值和目标序列差异控制同步。用于控制选股模型换手率的测试表明，随λ增大换手率单调递减，λ为 0.1 时模型年化超额收益率、夏普比率及 RankIC 值达峰，月均双边换手率降 8.21%，实现换手率与预测能力平衡；λ过度增加则削弱预测力，此函数将收益预测与换手率控制整合于一损，革新传统组合优化或风险约束的单一控制模式，其结构通用，为纳入选股因子、灵活调整模型因子暴露度及择时开辟新径。
测试流程缜密规范。统一采用 XGBoost 模型，含数据获取、特征处理、训练集生成、损失函数修改、模型训练及测试评价等环节，各环节精准把控变量、科学选定参数，全方位保障测试效度，为损失函数改进效果精准评估筑牢框架，使改进成果可信度高、可复现性强，有力支撑结论科学性，为机器学习选股实践提供坚实方法指引与可靠理论支撑。
以下为报告节选内容
报告共计： 22页
中小未来圈，你需要的资料，我这里都有！返回搜狐，查看更多
