关于股票排序损失函数评估：基于Transformer模型的实证分析

量化交易策略依赖于准确排序股票以识别有利可图的投资。有效的投资组合管理需要能够可靠排序未来股票回报的模型。Transformer 模型在理解金融时间序列方面具有前景，但不同训练损失函数如何影响其排序能力尚未得到充分理解。金融市场因其不断变化的特性和股票之间复杂关系而具有挑战性。旨在简单预测准确性的标准损失函数往往不够。它们不能直接教导模型学习股票回报的正确排序。尽管存在来自信息检索领域的众多先进排序损失函数，但尚无系统性比较其在金融回报排序中效果的研究，尤其是在用于股票选择的现代 Transformer 模型上。本文通过系统评估 diverse set of advanced loss functions，包括用于日常股票回报预测的 pointwise、pairwise、listwise，以促进基于 S&P 500 数据的基于排序的投资组合选择。我们专注于评估每种损失函数如何影响模型辨识资产间可利润相对排序的能力。我们的研究贡献于揭示不同损失函数对模型学习跨序列和时间模式至关重要的能力，如何影响于投资组合选择，从而为优化基于排序的交易策略提供实用指导。