量化建模需放下“奥卡姆剃刀”
创建于 更新于
摘要
本报告围绕机器学习模型在金融资产收益预测中的良性过拟合现象，结合随机矩阵理论与美股权益市场实证，发现模型复杂度提高显著提升样本外收益预测能力与策略表现，样本外R方值并非衡量策略优劣的有效指标。研究鼓励在量化策略构建中采用大量非线性特征和复杂模型，利用特征压缩技术降低过拟合风险，提升策略夏普比率和信息比率，为量化建模方法论提供理论与实证支持。[page::0][page::2][page::3][page::4][page::5][page::6]
