TS-Boost 因子选股框架初探
创建于 更新于
摘要
本报告针对金融机器学习选股面临的“样本非同分布”和“信噪比低”两大难题，设计了基于时间结构的 TS-Boost 因子选股框架，结合截面模型及排序学习目标函数，有效提高预测稳定性及收益表现。实证显示，TS-Boost 在全A与中证800成分股的行业中性策略中，均显著超越传统线性模型，年化超额收益分别达21.9%和11.8%，信息比率高达3.34和3.06，且能更好捕捉因子间非线性关系，非线性效应因子贡献年化超额收益7.1%及5.3%。该框架为机器学习在股票因子选股中的应用提供了有效路径和理论依据。[page::0][page::4][page::9][page::13][page::16]
