多任务学习在量化选股中的应用：华泰证券AI模型深度研究

报告摘要

本研究报告介绍多任务学习在量化选股中的实践，采用硬参数共享机制训练全连接神经网络，同时预测未来10日和20日收益率排序。结果表明，多任务学习的合成因子测试和指增组合回测指标均优于单任务学习，且模型规模扩大时优势更显著。加权RankIC均值可达9.8%，为量化投资提供新思路。

📋 核心要点(部分)

1. 多任务学习示意图
2. 基础概念
3. 两种参数共享架构
4. 有效原因分析
5. 常用损失加权方式