当阿尔法突破时：安全部署横截面股票排名的两级不确定性

arXiv:2603.13252v1 公告类型：新 摘要：横截面排名模型通常被部署为好像点预测就足够了：模型输出分数并且投资组合遵循归纳排序。在非平稳性下，排名者可能会在政权更替期间失败。在 AI 股票预测中，LightGBM 排名在 20 天范围内总体表现良好，但 2024 年的停滞不前恰逢 AI 主题反弹和板块轮动，在较长范围内打破了信号并削弱了 20 天。这促使我们将部署视为两个决策：(i) 策略是否应该进行交易，以及 (ii) 如何控制活跃交易中的风险。我们通过预测排名位移并定义相对于时间点（PIT 安全）基线的认知不确定性信号 ehat，将直接认知不确定性预测 (DEUP) 应用于排名。根据经验，ehat 在结构上与信号强度相关（在 1,865 个日期中，ehat 和绝对分数之间的中值相关性约为 0.6），因此逆不确定性大小调整会消除最强信号并降低性能。为了解决这个问题，我们提出了一个两级部署策略：一个策略级的制度信任门 G(t)，决定是否进行交易（AUROC 总体约为 0.72，最终为 0.75），以及一个仓位级认知尾部风险上限，仅减少最不确定的预测的风险敞口。操作政策仅在 G(t) 至少为 0.2 时进行交易，在活跃日期应用波动率规模，并限制顶部认知尾部，改善了 20 天政策比较中的风险调整表现，并表明 DEUP 主要作为尾部风险防范而非连续规模分母来增加价值。