金融工程专题报告：基于知识蒸馏的AI选股模型优化.pdf

上传者：小*
时间：2026/05/27
热度：128
0人点赞
举报

本文探讨了将知识蒸馏技术应用于量化选股领域的优化方法，旨在解决高频数据低信噪比导致的模型训练难题。研究选取一个在全市场具有稳定且较强选股能力的成熟综合选股模型作为Teacher，用其预测值作为蒸馏标签，引导基于不同数据集训练的Student模型学习成熟模型中的收益预测信息，同时保留各自数据集的差异化增量。在信号验证方面，研究在30分钟K线数据集和日频量价特征数据集上进行了对比实验。结果显示，蒸馏信号因子在多头超额收益和5日IC均值两个维度上均显著优于原始信号。例如，在30分钟K线数据集上，蒸馏信号因子多头超额提升至34.2%，5日IC均值提升至11.7%；在日频量价特征数据集上，蒸馏信号多头超额提升至32.1%，5日IC均值提升至11.1%。在模型构建与因子集成方面，研究基于“时序LSTM+截面图注意力”基础架构构建Student模型，并使用5类数据集（覆盖高频量价、日频量价及基本面信息）分别训练，得到10组蒸馏因子。通过LightGBM、Xgboost、CatBoost三类GBDT模型加权集成，得到综合因子。该综合因子与基准综合信号相关性约76%，与Teacher模型因子值相关性约87%，表明其既继承了成熟模型的特征表达，又保留了增量信息。2021年以来，综合因子5日IC均值13.0%，多头组合年化超额收益50.0%。在指数增强策略方面，基于综合蒸馏因子构建沪深300、中证500和中证1000指数增强组合。2021年以来，沪深300指数增强组合年化超额收益12.8%，信息比2.88；中证500指数增强组合年化超额收益15.8%，信息比2.99；中证1000指数增强组合年化超额收益20.1%，信息比3.72。研究结果表明，知识蒸馏技术能有效提升AI选股模型的性能，为量化投资提供了新的优化路径。