聚焦量化漫谈系列之十九:AI选股模型失效的三种应对方法。在引入这套外围风控机制后,AI 策略的年化超额收益稳定在 4.15%,夏普比率提升至 4.12,有效平滑了净值波动,提升了策略的风险收益比。对于 LightGBM 模型,我们通过“高质量样本加权”机制引导模型重点关注抗跌因子,并将损失函数切换为对异常值更不敏感的 Huber Loss,成功将多头超额最大回撤压降至 5.88%。本报告相关策略及结论均基于历史数据统计、建模和回测得出,在政策环境发生重大变化、国际政治摩擦升级或市场出现极端流动性危机时,资产与相关风险因子的稳定关系可能失效,模型存在时效性风险;此外,大语言模型及AI算法具有一定的随机性,且策略回测表现不代表未来业绩,若市场交易成本提高或交易拥挤度进一步恶化,可能导致策略收益下降甚至出现亏损。
聚焦量化漫谈系列之十九:AI选股模型失效的三种应对方法。在引入这套外围风控机制后,AI 策略的年化超额收益稳定在 4.15%,夏普比率提升至 4.12,有效平滑了净值波动,提升了策略的风险收益比。对于 LightGBM 模型,我们通过“高质量样本加权”机制引导模型重点关注抗跌因子,并将损失函数切换为对异常值更不敏感的 Huber Loss,成功将多头超额最大回撤压降至 5.88%。本报告相关策略及结论均基于历史数据统计、建模和回测得出,在政策环境发生重大变化、国际政治摩擦升级或市场出现极端流动性危机时,资产与相关风险因子的稳定关系可能失效,模型存在时效性风险;此外,大语言模型及AI算法具有一定的随机性,且策略回测表现不代表未来业绩,若市场交易成本提高或交易拥挤度进一步恶化,可能导致策略收益下降甚至出现亏损。
聚焦量化漫谈系列之十九:AI选股模型失效的三种应对方法。在引入这套外围风控机制后,AI 策略的年化超额收益稳定在 4.15%,夏普比率提升至 4.12,有效平滑了净值波动,提升了策略的风险收益比。对于 LightGBM 模型,我们通过“高质量样本加权”机制引导模型重点关注抗跌因子,并将损失函数切换为对异常值更不敏感的 Huber Loss,成功将多头超额最大回撤压降至 5.88%。本报告相关策略及结论均基于历史数据统计、建模和回测得出,在政策环境发生重大变化、国际政治摩擦升级或市场出现极端流动性危机时,资产与相关风险因子的稳定关系可能失效,模型存在时效性风险;此外,大语言模型及AI算法具有一定的随机性,且策略回测表现不代表未来业绩,若市场交易成本提高或交易拥挤度进一步恶化,可能导致策略收益下降甚至出现亏损。核心数据:在引入这套外围风控机制后,AI 策略的年化超额收益稳定在 4.15%,夏普比率提升至 4.12,有效平滑了净值波动,提升了策略的风险收益比;对于 LightGBM 模型,我们通过“高质量样本加权”机制引导模型重点关注抗跌因子,并将损失函数切换为对异常值更不敏感的 Huber Loss,成功将多头超额最大回撤压降至 5.88%;这一改进使 GRU 模型在保留高收益弹性的同时,最大回撤大幅降至 8.54%,卡玛比率跃升至 3.02,实现了收益能力与风控韧性的双重提升。
本报告由国金证券发布,发布于 2026 年。
覆盖 2026 年,全文共 16 页。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合战略规划、产品经理等读者参考。
重点分析了AI、量化、环境、绩效等议题。