在不断发展和动荡的股票市场中做出持续盈利的财务决策一直是一项艰巨的任务。 来自不同学科的专业人士已经发展了基础理论,以预测价格走势和评估证券,如着名的资本资产定价模型(CAPM)。 近年来,人工智能(AI)在资产定价中的作用一直在增长。 尽管深度学习模型的黑箱性质缺乏可解释性,但它们继续巩固了在金融业的地位。 我们的目标是通过引入返回加权损失功能来进一步提高AI的潜力和实用性,该功能将推动最高增长,同时为ML模型提供有限数量的信息。 我们仅使用可公开访问的股票数据(开放/关闭/高/低,交易量,行业信息)和由它们构建的几个技术指标,我们提出了一个高效的每日交易系统,可以检测顶级增长机会。 我们的最佳型号在2019年至2024年的1340个测试日内实现了61.73%的年化Sharpe Ratio,年化Sharpe Ratio为1.18,年回报率为37.61%,2005年至2010年,年化Sharpe比率为0.97。 成功的主要驱动因素,特别是独立于任何领域知识,是新颖的返回加权损失函数,分类和连续数据的集成以及ML模型架构。 我们还通过几个性能指标和统计证据,展示了我们新颖的亏损功能相对于传统损失函数的优越性。