2024Week16人工智能AI:“学海拾珠”系列之一百八十五:DiffsFormer:基于扩散模型的因子增强框架【23页】

本篇是“学海拾珠”系列第一百八十五篇,作者证明股票预测通常存在数据低信噪比(SNR)和数据同质化这两方面的数据稀缺问题,对准确预测构成重大障碍。为了解决问题,本文作者引入扩散模型(DM)来生成具有Transformer架构(DiffsFormer)的股票因子。该框架主要借助标签和行业信息来增强时间序列选股因子。此外,深入了解DiffsFormer各组件功能,并开发出几种新技术来提高模型的整体表现、时间效率以及降低波动性。最后,作者在沪深300和中证800两个数据集,采用8种常用的机器学习模型进行实证。   

回到国内市场,挖掘alpha的难度日益提高,本文基于DiffsFormer的因子增强框架较为新颖,值得一看。   

将DM从生成任务调整为有监督学习任务提高股票预测能力:股票预测任务中,干净且信息丰富的监督信号对于模型训练至关重要,但直接向标签添入因子向量是无效的,因此作者通过引导输入标签信息和行业信息来控制合成过程,以使得DM从生成任务适应到回归任务。此外,通过整合无预测器的引导来进一步增强引导的灵活性。   

在DM中引入迁移学习提高数据生成的保真度:由于数据SNR较低,DM中引入迁移学习,在更大的源域中进行学习,提炼新的知识和信息,而后在目标域中编辑现有因子,而不是合成新样本。实证结果表明,该方法与添加随机噪音相比效果更好。此外,该方法还可以缓解数据碰撞现象。

2024Week16人工智能AI:“学海拾珠”系列之一百八十五:DiffsFormer:基于扩散模型的因子增强框架【23页】-四海清单
2024Week16人工智能AI:“学海拾珠”系列之一百八十五:DiffsFormer:基于扩散模型的因子增强框架【23页】
此内容为免费资源,请登录后查看
0
免费资源
© 版权声明
THE END
如本文“对您有用”,欢迎随意打赏作者!
点赞8打赏作者 分享
评论 抢沙发
头像
欢迎您留下宝贵的见解!
提交
头像

昵称

取消
昵称表情代码图片

    暂无评论内容