【方正金工】再探可微RankIC的损失函数改造：基于分域加权与时序平滑正则的实证研究——机器学习选股系列研究之三

方正曹春晓郭樾 2026-06-30 置信度: high

综合质量 4 /5

新颖性 4 /5

可复现性 4 /5

核心内容

报告在可微RankIC损失函数基础上提出两项改进：(1)分域加权——将全市场按指数归属划分为中证800内、中证1000内及小微盘三域，各域分别计算带权RankIC后加权求和，权重(w1=0.025, w2=0.8, w3=0.175)由指增约束（80%成份内仓位）与市值配比关系推导，使模型在训练阶段即内嵌组合层面约束偏好；(2)时序平滑正则——将换手率惩罚作为正则项加入损失函数，降低组合换手并引导模型聚焦动量型alpha。模型结构层面，借鉴HiPreNets将原双分支残差网络重构为残差级联渐进式训练：Model0(线性Dense)→Model1(单层GRU 10单元,零初始化Dense)→Model2(双层GRU 20/10单元,实验中回退)，末端Dense零初始化保证接入时输出恒零实现中性起点，训练分四阶段(线性预训练→残差修正→二级残差→全局微调)。

经济逻辑

等权RankIC因小微盘样本数量占优导致模型偏向小盘，分域加权从结构上消除数量优势、将优化容量向指数成份内定向倾斜。换手成本侵蚀净收益，时序正则将交易成本纳入优化目标，从训练侧而非后处理侧控制换手。残差级联将全局优化拆解为局部优化，重塑优化地形：每完成一阶段即剥离已学成分，剩余残差构成更平滑的局部地形，避免耦合训练中的梯度掩盖效应、震荡效应与门控动态博弈。

超额收益逻辑

分域加权从源头消除小微盘样本数量主导损失梯度的问题，将优化容量向指数成份内定向倾斜，使模型在训练阶段即感知不同选股域的差异化重要性，提升指数成份内排序精度。时序平滑正则将换手成本纳入优化目标，降低组合换手率，并引导模型从高换手反转型alpha转向低换手动量型alpha。残差级联将困难全局优化转化为一系列局部优化，逐级提取线性→简单非线性→深层非线性信息增量，避免耦合训练中梯度掩盖/震荡/门控博弈三类干扰，提升样本外泛化性。全局微调阶段弥补贪婪序贯训练的局部最优缺陷，允许跨层级让步逼近全局最优。

构造细节 [model]

模型架构

残差级联渐进式架构，三个子网络串联output=Model0(x)+Model1(x)+Model2(x)：(1)Model0=单层Dense线性层，输入最新一期核心策略因子，按因子方向赋初值+1或-1模拟等权组合；(2)Model1=单层GRU(10个单元)+末端Dense(零初始化:权重与偏置均置零)，输入为全部因子20日面板数据，首次接入时输出恒零；(3)Model2=双层GRU(20/10个单元)+末端Dense(零初始化)，实验中因无样本外提升而回退，最终采用Model0+Model1双层架构。前序双分支架构(线性侧+三层LSTM非线性侧+sigmoid概率门控融合)已被本文重构为序贯残差。

输入

核心策略因子(最新一期值,用于Model0)全部因子最近20交易日历史值(面板,用于Model1/Model2)5日残差收益率(监督标签)

输出

股票5日残差收益率预测值(截面排序信号，用于多空分组与指数增强组合构建)

训练

四阶段序贯训练：(1)Stage1线性基底预训练——仅训练Model0至收敛后冻结权重，学习因子与收益的一阶线性关系；(2)Stage2一级残差修正——冻结Model0，引入Model1，前向传播output=Model0(x)+Model1(x)，仅更新Model1权重，采用隐式残差学习(不显式计算残差，直接以RankIC损失训练叠加网络，因Model0输出固定，梯度自然引导Model1学习剩余排序信息)；(3)Stage3二级残差修正——冻结Model0+Model1，叠加Model2训练(实验回退)；(4)Stage4全局联合微调——解冻Model0与Model1所有权重，以远小于前序阶段的学习率(0.00001)端到端训练，允许跨层级协同调整逼近全局最优。优化器统一Adam，学习率逐级递减(0.001→0.0001→0.00001)。每个训练轮次前以缓冲区100随机洗牌。最大500轮，早停(验证集损失连续10轮未创新低)。KFold交叉验证划分训练/验证集，多次训练结果截面zscore后等权合成。

数据输入

: (日频): (日频)

组合方式

多子模型KFold交叉验证输出→各子模型截面zscore→等权合成最终alpha

绩效

10.02%

RankIC

2.32

Rank ICIR

54.20%

多空年化收益率

2.95

信息比率

78.43%

月度胜率

基准: 中证1000指数

回测期: 2022年至2026年3月

RankIC组的多空年化收益率为54.20%，信息比率为2.95，相对于等权组合均有提升。分域加权RankIC在指数成份内的选股能力获得了系统性提升。

收益归因 ✓ 已完成

分析了模型提升的来源：分域加权通过域内权重约束将模型注意力从小微盘拉回指数内部；时序平滑正则通过压低换手并引导模型聚焦动量型alpha。两项改造相互独立，均可单独改善策略净表现。

方法: 结构性分析与分域评估

缺口: 未提及严格的Barra风格风险归因分解。

稳健性

子样本稳定性: RankIC组在各年份上均系统性优于等权组合，呈跨年度一致性优势。但分域提升的边际增量在等权RankIC下集中于小微盘域，分域加权后增量重新分配至指数成份内、小微盘收敛，结构转变符合设计目标。

风格偏差: 等权RankIC存在显著小盘偏好(小微盘占样本过半主导损失)；分域加权将模型注意力从小微盘拉回指数内部；时序正则引导alpha类型从反转偏向动量。

分域加权与时序平滑正则相互独立，均可单独作用于损失函数并带来策略净表现改善。Model2因无样本外泛化提升而回退至双层，反映现有因子集信息容量边界而非框架能力上限。跨年度表现一致性较好。

数据依赖

所需数据: 方正特色量价因子16个及其原始与构成因子36个、部分基本面因子、部分Barra风格因子、指数成份标签、个股与指数市值数据、5日收益率

可复现性: medium

损失函数公式、分域权重推导、模型架构、训练阶段、学习率、超参数均披露详细，可复现框架逻辑。主要障碍：特色量价因子具体定义未公开，需自行构造替代因子池；时序平滑正则的具体公式与权重系数在摘要中未完整披露。

新颖性评估 [新方法]

将组合优化约束(80%仓位+市值中性)以权重形式显式嵌入损失函数(分域加权RankIC)是新方法；将换手率惩罚作为时序正则引入RankIC损失是新方法；借鉴HiPreNets至因子聚合并补充全局微调阶段是方法创新；提出基于残差的动态特征筛选视角转换(从'对收益率解释力'转向'对当前残差解释力')具有方法论意义。

不足与缺陷

方正特色量价因子(16个+36个)定义未公开，外部无法完全复现因子池
时序平滑正则的具体数学公式与惩罚权重系数在摘要中未完整披露
Model2(双层GRU)因无样本外提升而回退，三阶残差级联未验证成功，框架深度的有效性存疑
样本内2018-2021年覆盖疫情期间，数据洗牌打破时序依赖可能丢失周期性信息
未提供严格的Barra风格风险归因分解，alpha来源的归因不够精细
换手率降低的定量幅度与成本节约的具体数值未在摘要中明确给出
分域权重w1/w3基于历史市值配比推导，若未来市值结构变化可能失效

可复用元素

分域加权RankIC损失函数：将组合约束(仓位+市值中性)显式嵌入训练目标的设计思路与权重推导公式
末端Dense零初始化策略：保证新模块接入时输出恒零、从中性起点平稳起步的工程技巧
隐式残差学习：不显式计算/存储排序残差，直接以RankIC损失训练叠加网络(因前层冻结，梯度自然引导学习剩余排序信息)
全局联合微调作为HiPreNets补充阶段：弥补贪婪序贯训练的局部最优缺陷
基于残差的动态特征筛选：因子筛选标准从'对收益率RankIC显著'转向'对当前残差RankIC显著'
三层扩展方向：时间尺度差异化(各层不同历史窗口)、因子类型差异化(各层不同因子集)、残差驱动特征筛选

启发

将投资组合约束(行业/市值/仓位)直接嵌入损失函数权重，实现训练目标与实务约束对齐
序贯训练替代联合训练可避免不同复杂度子模块间的梯度掩盖与震荡，线性基底应先收敛作为稳定锚点
时序正则从训练侧而非后处理侧控制换手，可引导alpha类型转换(反转→动量)
残差级联下因子筛选标准的视角转换：对残差解释力≠对收益解释力，二者交集不等同
零初始化Dense作为渐进式训练的中性接入技术，可推广至任何增量模块叠加场景

改进方向

将固定分域权重改为动态自适应权重：根据近期大小盘风格强弱信号(如中证1000/中证800动量比)动态调整w1/w2/w3，风格偏向大盘时增大w1、偏向小盘时增大w3，而非固定0.025/0.8/0.175

基于: 报告分域加权机制预期收益: 在大小盘风格切换行情中提升适应性，减少固定权重在风格极端期的回撤，提升不同市场环境下的鲁棒性

将时序平滑正则设计为因子自相关性敏感形式：L_total = L_RankIC + λ·Σ||f_t - f_{t-1}||²·(1-| autocorr(f,5日)|)，对自身高自持(动量型)因子降低换手惩罚、对低自持(反转型)因子加重惩罚

基于: 报告时序平滑正则思路预期收益: 在降低整体换手的同时更精准保留有效动量信号、仅压制无效高频反转噪声，避免一刀切惩罚伤及有效反转alpha

实现残差级联的时间-类型双差异化：Model0用5日窗口+核心价量因子，Model1用20日窗口+基本面因子，Model2用60日窗口+波动率/情绪因子，并对每层输入按'对当前残差RankIC显著'动态筛选

基于: 报告提出的时间尺度差异化+因子类型差异化+残差驱动特征筛选三个扩展方向预期收益: 突破现有双层架构的信息容量上限，各层负责不同周期与类型的定价信号提取，有望恢复三阶残差的样本外泛化增益

复现计划

1.数据准备：构造替代因子池(量价类如反转/换手/波动+基本面+Barra风格)，处理5日残差收益率标签(去异常/去ST/去尾/zscore/市值行业中性化)；2.实现sigmoid软排序可微RankIC损失(τ=0.01)；3.实现分域加权损失：按中证800/中证1000/其他划分三域，各域内权重1域外0，分别计算RankIC后加权(w1=0.025,w2=0.8,w3=0.175)；4.搭建Model0(单层Dense,初值±1)+Model1(单层GRU 10单元+零初始化Dense)；5.四阶段训练：Stage1仅Model0(lr=0.001,Adam)→冻结→Stage2仅Model1(lr=0.0001)→冻结→Stage4解冻全局微调(lr=0.00001)，最大500轮+早停10轮+缓冲区100洗牌；6.KFold交叉验证多模型输出zscore等权合成；7.样本外2022-2026回测，5日换仓，1-10档多空分组+中证1000指增约束(二级行业对齐+市值对齐+成份内≥80%)验证。关键障碍：特色量价因子需自行构造替代；时序正则公式需根据描述逆向实现。