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
本报告系统性探讨了基于GBDT和神经网络两类机器学习模型构建的指数增强量化策略，通过融合多目标预测（超额收益率、信息比率、Calmar比率）提升模型预测能力。结合均值方差优化进行组合权重调整，有效控制跟踪误差，实现沪深300、中证500和中证1000各宽基指数的量化增强，年化超额收益率分别达到15.85%、20.74%和32.82%，同时保持较低的超额最大回撤，展现出高收益稳健的风险收益特征，并通过多年度回测验证了策略的稳定性与优异表现。[page::0][page::1][page::2][page::3][page::4][page::5]
