基于模型池的机器学习 —— 德邦金工机器学习专题之五
创建于 更新于
摘要
本报告提出了一种基于动态因子与模型池的机器学习选股方法，通过因子预筛选和边际筛选加速因子筛选过程，构建并维护一个包含多种机器学习模型的动态扩展模型池。采用验证集数据对模型进行评价，从长期记忆的模型池中筛选表现优异模型集成预测，实现更高效、稳健的选股。回测显示，机器学习复合因子在全市场及中证1000中表现良好，且多模型集成显著提升预测效果，训练频率、验证集长度和模型类型对效果敏感性低，长记忆模型池优于短记忆池，且模型间预测具有较高异质性，有利于模型集成优化[page::0][page::5][page::8][page::9][page::12][page::16][page::17]。
