华泰证券人工智能系列之二十：机器学习中的随机数对量化选股的影响｜2019

报告摘要

机器学习模型看似‘必然’的结果背后隐藏着‘偶然’因素。华泰证券金工团队深度研究（2019年4月）系统分析了逻辑回归、XGBoost、随机森林、全连接神经网络四种算法在100组随机数种子下的性能与单因子回测表现。结果表明：逻辑回归对随机数几乎不敏感；全连接神经网络结果波动较大；XGBoost和随机森林介于两者之间。研究详细介绍了Python常用包（sklearn、xgboost、keras）设置随机数种子以保证结果可重复的方法，并强调随机数种子选择偏差可能影响选股模型可靠性。适合量化研究员、金融AI开发者、投资经理等关注模型稳健性的读者。

📋 核心要点(部分)

1. 研究导读
2. 机器学习中的随机数（计算机随机数生成、数据集随机划分、模型随机初始化、随机梯度下降、行列采样、Dropout）
3. 模型对随机数敏感度测试
4. 结果分析
5. 风险提示