目录CONTENTS1. 投资聚焦：重设目标函数，破局低信噪比2. 传统的因子合成方法简介3. DCM ：以优化IC作为目标函数的深度模型4. 模型测试：有效提升测试集IC5. 优化IC的理论解释：更好的适应全局优化6. 结论与投资建议7. 风险因素11. 投资聚焦：重设目标函数，破局低信噪比23 在偏高频的领域，深度学习已经有了较好的应用。而在偏低频的策略上似乎用处不大，在提升效果不明显的结果下 ， 还有稳定性弱，解释性差等缺点。导致深度学习不再“强大”的最大困难还是训练数据的信噪比过低，尤其是拟合目 标收益。 传统机器学习领域，如图像、语音和自然语言，噪声主要存在于信号本身，也即X。而金融信号的噪声我认为主要 存 在于预测目标，也就是Y。解决X中噪声的主要方法是调整网络的结构，去学习信号中的不变性。对于Y中的噪声， 更 应该从目标函数的设计入手。 传统的做法是直接对收益率或者排名进行预测，目标函数一般为均方误差。然而，这样的预测目标噪声非常大，不利 于模型的学习。 相关性更加注重统计性 从信息检索的角 度看，这是一种list-wise的做法，统计性的目标函数能够更好的去除噪声的 影
