LambdaRankIC：用于金融预测的直接优化 Rank IC
机器学习
2026-05-04 v1
摘要
在金融预测中，机器学习模型的性能通常通过 Rank IC 进行评估，即模型预测值与实现资产收益之间的 Spearman 秩相关系数。尽管该指标广泛采用，但大多数现有模型使用的回归损失或排序目标可能与 Rank IC 不符。我们提出了 LambdaRankIC，一种直接优化 Rank IC 的学习排序方法。我们通过推导由两两秩交换引起的 lambda 梯度的闭式表达式，规避了排序算子的不可微性问题，从而在 LambdaRank 框架内实现高效的基于梯度的优化。我们将 LambdaRankIC 实现为 XGBoost 的自定义目标函数。理论上，我们展示了该方法优化了 Rank IC 的上界。在模拟研究中，LambdaRankIC 在无噪声情境下准确恢复真实排序结构，在低信噪比和重尾噪声情境下持续优于基于回归的和 NDCG 导向的排序方法。在实际实验中使用真实市场数据，LambdaRankIC 在常用金融评估指标上实现最佳 out-of-sample 性能，包括 Rank IC、ICIR、月收益和盈亏比 (Sharpe ratio)。这些结果表明，在金融预测中，当完全排序质量为首要目标时，直接优化 Rank IC 可显著优于常规学习目标。
引用
@article{arxiv.2605.00501,
title = {LambdaRankIC: Directly Optimizing Rank IC for Financial Prediction},
author = {Yan Lin and Yihong Su and Yi Yang},
journal= {arXiv preprint arXiv:2605.00501},
year = {2026}
}