时序交叉验证是机器学习对抗过拟合的核心技术，华泰证券金工团队在《人工智能系列之十六》中深入剖析并改进该方法。报告从基线模型设置和样本精确切分两个角度，提出分组时序交叉验证，通过对比K折、时序、三种新基线模型等六种方法，发现分组时序表现最优，且提升主要源于时序信息保留。关键结论：K折交叉验证过拟合严重，时序交叉验证能减轻过拟合，分组时序通过确保验证集严格在训练集后进一步提升模型表现。本报告适合量化研究员、金融工程师、数据科学家及机器学习从业者，提供可落地的调参方法论。
时序交叉验证是机器学习对抗过拟合的核心技术，华泰证券金工团队在《人工智能系列之十六》中深入剖析并改进该方法。报告从基线模型设置和样本精确切分两个角度，提出分组时序交叉验证，通过对比K折、时序、三种新基线模型等六种方法，发现分组时序表现最优，且提升主要源于时序信息保留。关键结论：K折交叉验证过拟合严重，时序交叉验证能减轻过拟合，分组时序通过确保验证集严格在训练集后进一步提升模型表现。本报告适合量化研究员、金融工程师、数据科学家及机器学习从业者，提供可落地的调参方法论。
时序交叉验证是机器学习对抗过拟合的核心技术，华泰证券金工团队在《人工智能系列之十六》中深入剖析并改进该方法。报告从基线模型设置和样本精确切分两个角度，提出分组时序交叉验证，通过对比K折、时序、三种新基线模型等六种方法，发现分组时序表现最优，且提升主要源于时序信息保留。关键结论：K折交叉验证过拟合严重，时序交叉验证能减轻过拟合，分组时序通过确保验证集严格在训练集后进一步提升模型表现。本报告适合量化研究员、金融工程师、数据科学家及机器学习从业者，提供可落地的调参方法论。
本报告由华泰证券发布,发布于 2019 年。
覆盖 2019 年,全文约 23。
本报告免费查阅,登录资料宝后即可在线获取完整内容。
适合量化研究员、金融工程师、数据科学家、机器学习工程师等读者参考。
重点分析了金融投资、抗过拟合等议题。