基于多目标、多模型的机器学习指数增强策略
创建于 更新于
摘要
本报告系统性地研究了基于多目标、多模型的机器学习算法在A股宽基指数成分股上的应用与表现，重点比较了GBDT类与神经网络模型的预测能力及组合优化效果。通过结合Alpha158、GJQuant等多类因子，构建了基于均值方差优化的指数增强策略，实测沪深300、中证500及中证1000指数增强策略年化超额收益分别达到15.85%、20.74%、32.82%，同时保持了较低的超额最大回撤，验证了多模型因子融合策略的稳健性和有效性[page::0][page::11][page::14][page::17][page::18]。
