数据纵横：拓展差分的操作域——机器学习系列报告之三
创建于 更新于
摘要
报告创新性地将差分的操作域从整数拓展至正实数，引入非整差分概念，探讨其在金融时间序列（尤其是股价指数和个股）平稳性和平衡记忆性方面的作用。通过实证发现指数类资产多集中在0.7阶差分即可满足平稳要求，且保留较高的序列记忆。进一步基于非整差分构造信息熵及波动率因子，发现用0.7阶差分计算的信息熵较收益率信息熵含更多市场信息，并能辅助提升RSRS择时策略表现。低波动率因子的优化中，非整差分阶数约1.4-1.5时显著优于传统1阶差分，回测显示该优化波动因子在不同股票池均提升了因子IC、IR及组合年化收益与夏普比率，证实非整差分在量化因子构建中具备实际应用价值 [page::0][page::6][page::10][page::13][page::15]
