The nonstationarity-complexity tradeoff in return prediction
创建于 更新于
摘要
本文提出并理论化了“非平稳性—复杂度”权衡：复杂模型能减小模型误差但需更长训练窗口，进而放大非平稳偏差；为解决该权衡，作者设计了ATOMS（一种基于自适应验证窗口的淘汰赛模型选择算法），并证明其在有限样本下近似最优，同时在17个行业组合实证中平均提升OOS R^2约14%并带来显著的经济收益（终值平均高31%）[page::0][page::2][page::25]
