人工智能系列之71：基于门控自适应网络对股票样本“因材施教”
　　本研究介绍动态自适应神经网络的相关概念，将自适应网络应用于量化选股领域。本文采用门控机制构建样本自适应网络，门控单元参数通过梯度下降自动更新，经过训练达到控制不同复杂度的股票样本经历不同深度网络的效果。结果表明：自适应网络的合成因子测试与放松组合优化约束后的中证500指增组合回测指标均总体优于传统网络；门控通过率在测试范围内取0.4效果较优，门控损失权重和门控数量并未呈现出明显规律性。可解释性维度上，对样本特征复杂度与经历网络深度的分析也显示出正向相关趋势。
　　自适应网络基本概念：对股票样本进行量体裁衣式训练的有效方案
　　自适应网络的核心特色在于可针对数据输入动态调整神经网络架构与参数，有效应对网络架构与参数固定带来的适应性与表征力限制。自适应网络可分为样本自适应、空间自适应和时间自适应三类。其中样本自适应可针对不同样本适用不同架构的神经网络，缓解简单样本经历过深网络导致过拟合的概率。选股研究中存在类似问题，不同股票样本特征差异较大，设计针对性的训练方案可能是提升模型表现的可靠方案，自适应网络提供了实践途径。
　　门控自适应网络：独立的门控单元可有效控制样本经历网络深度
　　样本自适应可通过动态深度、动态宽度和动态路由三条路径实现。本文关注其中的动态深度路径，可通过早退机制或跳层机制构建。跳层机制中利用门控单元构建的自适应网络应用广泛，门结构由单独模块构建，具备较高灵活性，可自由控制下辖的网络层次，独立的门结构也提升了自适应控制模块的可解释性。门控单元通过特定损失函数经梯度下降进行参数更新，并通过损失权重与主干网络间维持平衡。本研究基于门控自适应网络构建模型，将其应用于量化选股实践。
　　测试结果：自适应网络在不同参数条件下均总体优于传统网络
　　本文对单门自适应网络进行初尝试，合成因子评价指标和放宽组合约束后的指增组合回测指标均总体优于传统网络。参数测试方面，对于门控通过率，测试范围内取值0.4效果最优；对于门控损失权重，测试范围内取值10效果最优；对于门控数量，测试范围内取值为1，3，5效果较优。举例而言，门控数目为单门时（门控通过率=0.4，门控损失权重=10），相比于传统网络，中证500指增年化超额收益率从23.39%到25.62%，信息比率从2.95提升至3.46（回测区间为20110104-20231031）。
　　可解释性探索：样本特征复杂度与经历网络深度存在正向关系
　　本文采用一维熵指标衡量股票样本特征复杂度，试图验证门控自适应网络对股票样本经历网络深度的控制效果。将归属同一行业的股票样本一维熵与经历网络深度各自取均值，得到行业层面的特征复杂度和经历网络深度，二者存在较明显的正向相关趋势关系，即特征复杂度越高，经历的网络深度越深。从可解释性的维度，以上结果验证了门控自适应网络对不同复杂度股票量体裁衣式的针对性训练与预测。
　　风险提示：人工智能挖掘市场规律是对历史的总结，市场规律在未来可能失效。人工智能技术存在过拟合风险。深度学习模型受随机数影响较大。本文测试的选股模型调仓频率较高，假定以vwap价格成交，忽略其他交易层面因素影响。