聚焦机器学习系列之一:mHC对Barra机器学习因子的改进。对量化研究方法论启示与工程建议包括:对深层网络引入流形约束可显著提升数值稳定性并减少对噪声的过拟合,但在低维输入与浅层网络场景下需权衡计算开销与边际收益;在样本规模快速变化的市场(如 2014年至 2023 年股票数量增多、2024 年初政策驱动的回落)中,应结合分层抽样、样本加权与滚动再训练策略以保持子群代表性;若目标是同时兼顾短期收益与长期稳健,可采用模型集成或时序加权合成,将 mHC用于稳定化长期信号提取、将裸 MLP 用于捕捉短期交易机会,再通过风控规则动态切换或加权。风险提示:以上分析基于历史数据和模型结果测算,存在模型失效风险。
聚焦机器学习系列之一:mHC对Barra机器学习因子的改进。对量化研究方法论启示与工程建议包括:对深层网络引入流形约束可显著提升数值稳定性并减少对噪声的过拟合,但在低维输入与浅层网络场景下需权衡计算开销与边际收益;在样本规模快速变化的市场(如 2014年至 2023 年股票数量增多、2024 年初政策驱动的回落)中,应结合分层抽样、样本加权与滚动再训练策略以保持子群代表性;若目标是同时兼顾短期收益与长期稳健,可采用模型集成或时序加权合成,将 mHC用于稳定化长期信号提取、将裸 MLP 用于捕捉短期交易机会,再通过风控规则动态切换或加权。风险提示:以上分析基于历史数据和模型结果测算,存在模型失效风险。
聚焦机器学习系列之一:mHC对Barra机器学习因子的改进。对量化研究方法论启示与工程建议包括:对深层网络引入流形约束可显著提升数值稳定性并减少对噪声的过拟合,但在低维输入与浅层网络场景下需权衡计算开销与边际收益;在样本规模快速变化的市场(如 2014年至 2023 年股票数量增多、2024 年初政策驱动的回落)中,应结合分层抽样、样本加权与滚动再训练策略以保持子群代表性;若目标是同时兼顾短期收益与长期稳健,可采用模型集成或时序加权合成,将 mHC用于稳定化长期信号提取、将裸 MLP 用于捕捉短期交易机会,再通过风控规则动态切换或加权。风险提示:以上分析基于历史数据和模型结果测算,存在模型失效风险。
覆盖 2026 年。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
重点分析了机器学习系列之一等议题。