本报告创新性地提出两种对数损失函数改进方案，解决机器学习选股中的样本不平衡与高换手率问题。加权损失函数通过增大少数类样本权重，在年化超额收益率、信息比率、Calmar比率及召回率上显著优于传统模型；广义损失函数通过新增损失项控制换手率，λ=0.1时年化超额收益率及夏普比率最优，月均双边换手率下降8.21%。报告详细给出XGBoost自定义损失函数的推导与Python实现代码，适合量化研究员、金融工程师及AI选股从业者深入学习。
本报告创新性地提出两种对数损失函数改进方案，解决机器学习选股中的样本不平衡与高换手率问题。加权损失函数通过增大少数类样本权重，在年化超额收益率、信息比率、Calmar比率及召回率上显著优于传统模型；广义损失函数通过新增损失项控制换手率，λ=0.1时年化超额收益率及夏普比率最优，月均双边换手率下降8.21%。报告详细给出XGBoost自定义损失函数的推导与Python实现代码，适合量化研究员、金融工程师及AI选股从业者深入学习。
本报告创新性地提出两种对数损失函数改进方案，解决机器学习选股中的样本不平衡与高换手率问题。加权损失函数通过增大少数类样本权重，在年化超额收益率、信息比率、Calmar比率及召回率上显著优于传统模型；广义损失函数通过新增损失项控制换手率，λ=0.1时年化超额收益率及夏普比率最优，月均双边换手率下降8.21%。报告详细给出XGBoost自定义损失函数的推导与Python实现代码，适合量化研究员、金融工程师及AI选股从业者深入学习。核心数据:年化超额收益率提升;信息比率提升;Calmar比率提升。
本报告由华泰证券发布,发布于 2018 年。
覆盖 2018 年,全文约 22。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化投资者、金融工程师、AI研究员、券商分析师等读者参考。
重点分析了金融投资、金融投资研究等议题。