【国金证券】量化漫谈系列之十九：AI选股模型失效的三种应对方法-251230（16页）.pdf

1、 敬请参阅最后一页特别声明 1 市场微观结构变迁与 AI 策略的适应性危机 回顾 2024 至 2025 年的 A 股市场，市场风格特征发生了显著变化。2024 年市场主线由“价值/低波”切换至“小盘/动量”，随后在 2025 年进一步向“一致预期/成长”风格收敛。特别是在 2025 年 8 月至 9 月，由于前期资金在市值因子上的过度拥挤，触发了剧烈的均值回归与反转效应。实证数据显示，在这一市场微观结构发生突变的窗口期，主流 AI 指增策略因未能及时适应这种历史上少见的风格漂移，出现了与小市值因子反转高度同步的净值回撤。相比之下，AI 策略由于对历史数据路径的依赖较强，在应对流动性收缩及板块

2、快速轮动时，其表现甚至不如传统策略。策略同质化困局与失效的深层统计学归因 深入探究策略失效的根源，除了市场环境因素外，行业内部的“策略同质化”是更核心的内因。目前行业内普遍采用 GRU 与 LightGBM 作为基座模型，导致不同机构生成的因子与公募指增基金净值的相关性持续走高。这意味着底层持仓逻辑高度趋同，一旦市场出现共振，极易引发流动性压力。此外，“样本错配”也是关键诱因：依赖历史常态数据训练的模型，在面对 2024 年初的流动性枯竭以及 2025 年“二八分化”的抱团行情时，因缺乏相关的极端样本训练，难以捕捉资产联动的规律，导致预测信号与市场实际走势出现较大偏差。外围风控体系：多种类、多

3、周期事件化的开放式择时框架 鉴于 AI 模型在面临系统性风险时难以依靠自身逻辑进行规避，我们构建了一套独立于选股模型之外的开放式择时框架。该框架旨在解决传统择时中指标筛选繁杂、主观性强的问题，通过标准化的三层处理流程（数据清洗、指标预处理、事件化处理），将量价、宏观等连续指标转化为明确的多空信号。实证回测表明，该策略成功识别了 GRU 模型在两次关键回撤期的失效时段，并及时触发了空仓信号。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。AI 核心模型的针对性优化：LGBM 与 GRU 的迭代升级 针对模

4、型本身的缺陷，我们提出了从预测端到架构端的深度优化方案。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%。对于 GRU 模型，我们引入 Attention Pooling 以解决长序列信息利用率不足的问题，并创新性地构建了“Memory 模块+CVaR Loss”闭环，强制模型去存储历史上的极端行情特征。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。风险提示 本报告

5、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。金融工程专题报告 敬请参阅最后一页特别声明 2 扫码获取更多服务 内容目录内容目录 一、市场微观结构变迁与 AI 策略的适应性危机.4 1.1 风格范式的剧烈轮动与因子反转效应.4 1.2 线性与非线性策略在极端环境下的绩效分化.5 二、策略同质化困局与失效的深层统计学归

6、因.6 2.1 模型架构趋同引发的“拥挤交易”与系统性风险.6 2.2 训练样本分布与极端行情特征的错配.8 三、外围风控体系：多种类、多周期事件化的开放式择时框架.9 3.1 全自动择时框架的构建逻辑与层级设计.9 3.2 择时策略的实证表现与 AI 模型风控应用.10 四、AI 核心模型的针对性优化：LGBM 与 GRU 的迭代升级.12 4.1 LightGBM 模型专项优化：动态高质量样本加权与 Huber Loss 鲁棒性增强.12 4.2 GRU 架构重塑：注意力池化与 CVaR 风险导向记忆网络.14 五、风险提示.14 图表目录图表目录 图表 1：2025 风格因子对比传统&A