AI选股模型特征筛选与处理：SHAP、中性化与另类特征
创建于 更新于
摘要
本报告系统研究了机器学习选股模型的特征工程，包括基础统计方法、SHAP解释和STG深度学习模块的特征选择。发现SHAP特征选择能够显著提升GRU模型性能，标签中性化对LightGBM模型有明显增益。同时引入宏观、BARRA及高频另类因子，发现在中证1000小盘股上高频因子表现突出。基于特征工程优化的GBDT+NN模型，在沪深300、中证500及中证1000宽基指数上取得显著超额收益和较低回撤，指数增强策略年化超额收益最高达32.24%。[page::0][page::4][page::24]
