天勤量化通过 “dropout 泛化优化系统” 提高模型泛化能力,核心措施有三。一是 dropout 率动态适配,AI 对模型不同层设置差异化 dropout 率:输入层采用 10%-20% dropout(防止数据噪音影响),隐藏层采用 20%-50% dropout(减少神经元协同依赖),某模型通过适配,过拟合风险降低 60%。二是训练阶段调整,模型训练初期采用低 dropout 率(如 20%)确保特征学习充分,后期提高至 50% 强化泛化能力,某 AI 策略通过调整,训练效果与泛化能力平衡度提升 45%。三是结合天勤数据特性,对高频交易数据训练的模型采用较高 dropout 率(40%-50%),对低频基本面数据模型采用较低率(10%-30%),某策略通过结合,不同类型数据的模型表现均提升 30%。
发布于2025-8-14 17:41 鹤岗


分享
注册
1分钟入驻>
+微信
秒答
18342365994
搜索更多类似问题 >
电话咨询


