再论时序交叉验证对抗过拟合华泰人工智能系列之十六：从基线模型设置和样本精确切分两个角度对时序交叉验证提出改进
创建于 更新于
摘要
本报告基于金融时间序列数据，提出改进时序交叉验证的方法，包括建立更合理的基线模型和精准切分训练验证集，从而减轻机器学习模型（如逻辑回归和XGBoost）过拟合风险。通过对比六种交叉验证方法，分组时序交叉验证表现最佳，具体表现在测试集AUC、因子收益率及单因子分层回测中优于传统K折验证。同时，通过图表分析证实时序信息的保留是性能提升的主要原因，改进后的方法为金融机器学习模型调参提供了更科学有效的实践路径。[pidx::0][pidx::3][pidx::6][pidx::11][pidx::17]
