人工智能选股之数据标注方法实证——华泰人工智能系列之十七
创建于 更新于
摘要
本文系统测试了多种数据标注方法对机器学习多因子选股模型训练与回测效果的影响。结果显示，XGBoost回归模型整体优于分类模型，不同标注方法如夏普比率、信息比率和Calmar比率标签训练的模型表现均符合各自目标，且通过等权集成模型XGBR-Combine综合提升策略稳定性和回测表现，年化超额收益率达到14.74%至18.22%，信息比率稳定在2.28~3.39之间，表现最佳。[pidx::0][pidx::13][pidx::23]
