ML阅读笔记-No.020-使用深度学习挖掘风险因子

发布网友 发布时间：2024-10-24 12:30

我来回答

共1个回答

热心网友 时间：2024-11-07 10:43

文章深入探讨了一种使用深度学习挖掘风险因子的全新方法——Deep Risk Model（DRM）。作者在文中详细介绍了模型的架构、训练过程以及评估方法，并提供了一个Pytorch版本的实现案例。DRM相较于专家因子模型，如BARRA，展示了在样本外更高的横截面R-squared，因此被认为是一种性价比更高的方法。

为了便于大众理解与实操，作者还分享了在最新版Tensorflow环境下实现DRM的流程，包括模型架构设计、数据集构建、模型训练与改进技术细节。模型架构包含了时序信息提取和截面信息提取两个分支，通过三个线性投射层整合生成因子。

DRM的训练损失函数设计是文章的亮点之一，旨在优化模型生成风险因子的横截面解释能力、自相关性以及避免多重共线性问题。数据集由CNE5风险因子和每日股票收益率序列构成，通过数据合并形成了模型输入。

在模型评估方面，作者展示了三种评估方式：横截面解释能力评估、R-squared评估以及生成因子的自相关系数评估。模型改进方面，作者提出调整损失函数和模型架构以提升收敛速度和性能。

实验结果显示，修改后的模型在测试集上表现优于基准，且自相关系数依然保持高水准。整个实操过程在RTX 3080ti显卡上仅耗时18分钟完成，验证了模型的有效性和实用性。