High-Dimensional Learning in Finance
创建于 更新于
摘要
本论文系统深入分析了高维机器学习在金融预测中的理论基础与实际表现差异。作者证明，实际中普遍采用的随机傅里叶特征（RFF）样本内标准化破坏了核函数的理论收敛性质，导致方法依赖训练集相关的近似核而非经典高斯核。同时，基于PAC学习理论提出了信息论的最小样本复杂度下界，显示在典型金融参数设定下，可靠学习需要远超实际可用数据长度的样本量。实证验证涵盖了大规模参数空间，揭示标准化机制造成的核近似误差显著，解释了为何金融领域中的机器学习成就多出于简单模式匹配而非真正的高维学习机制[page::0][page::15][page::22][page::26]
