今天分享的是：华泰证券-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
本报告聚焦于机器学习选股中对数损失函数的改进，提出两种改进方案并测试，旨在提升模型性能与选股效果。
1. 对数损失函数改进方案
- 加权损失函数：针对分类模型样本不均衡问题，引入加权损失函数，增大数量少的样本损失项权重。在全A股池构建不均衡训练集测试，行业中性选股时，该函数模型优势更稳定；个股等权选股时，模型在年化超额收益率、信息比率、Calmar比率及召回率表现更好，但超额收益最大回撤无明显优势，表明其对不平衡样本中表现好的股票预测能力佳。
- 广义损失函数：新增损失项并赋权λ，使模型优化时控制预测值与目标序列差异，用于控制模型换手率。测试构建中证500行业市值中性全A选股策略，λ为0.1时模型年化超额收益率、夏普比率最高，月均双边换手率降8.21%，但λ增大后模型预测能力下降，2011 - 2018年λ = 0.1时模型RankIC值最高。
2. 测试流程与结果分析
- 测试流程：统一用XGBoost分类模型，在其自定义损失函数接口改进，包括数据获取、特征和标签提取、预处理、训练集生成、修改损失函数、样本内训练、样本外测试及模型评价。
- 结果分析：加权损失函数在样本不均衡分类问题上表现较好；广义损失函数能降低换手率并在一定程度上防止过拟合，且结构通用，可加入目标序列调整模型因子暴露程度，为后续因子权重调整和择时研究提供方向。
报告通过改进对数损失函数，为机器学习选股提供了更有效的方法，有助于提升选股策略的表现。
以下为报告节选内容
