Overparametrized models with posterior drift
创建于 更新于
摘要
本文研究了后验漂移（posterior drift）对过参数化线性机器学习模型外样本预测精度的影响，特别是在股票超额收益预测中的应用。结果显示，后验漂移会导致模型性能在不同子区间和模型复杂度控制参数（带宽）间表现出显著差异。小带宽对应的高复杂度模型虽能带来较高收益，但收益高度波动且风险较大；大带宽则收益更稳健但风险调整后表现较差，建议对大规模线性模型持谨慎态度。该结论通过理论推导、蒙特卡洛模拟及实证数据（宏观经济指标及CRSP市场回报）验证。[page::0][page::4][page::7][page::12][page::15][page::16]
