人工智能选股之 Boosting 模型华泰人工智能系列之六
创建于 更新于
摘要
本报告系统测试了AdaBoost、GBDT和XGBoost三种Boosting集成学习模型在多因子选股中的表现，发现XGBoost模型在超额收益、信息比率和计算速度上均优于线性回归及其他Boosting模型。通过分阶段滚动回测，XGBoost策略在沪深300、中证500及全A股池中均表现出显著的超额收益和较高的信息比率，尤其全A股选股策略超额收益达31.5%，信息比率4.4，且模型因子重要性分析显示市值因子在不同时间段的作用波动明显。整体看，Boosting分类模型是具有高收益、高回撤特征的有效选股工具，对投资者在机器学习选股上的应用有较高参考价值。[pidx::0][pidx::13][pidx::16][pidx::34]
