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。
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。
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。核心数据:四种机器学习模型;100组随机数种子;逻辑回归结果几乎不变。
本报告由华泰证券发布,发布于 2019 年。
覆盖 2019 年,全文约 24。
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、金融分析师、机器学习工程师、投资经理等读者参考。
重点分析了金融投资、机器学习中、量化选股、随机数等议题。