【华泰金工林晓明团队】提升超额收益:另类标签和集成学习——华泰人工智能系列之二十九

摘要另类标签和集成学习有助于提升人工智能选股模型的超额收益对于量化选股模型来说，另类标签指有别于收益率的标签，也可视为一种“另类数据”。本文通过设置多种测试情形，对比了另类标签(信息比率和Calmar比率)与传统收益率标签在构建人工智能选股模型的优劣。相比收益率标签，另类标签在全A股优势显著，能明显提升选股模型的超额收益和信息比率；另类标签在指数成分股内优势较小，仅对超额收益的提升有一定作用。本文进一步使用集成学习对多种标签构建的模型进行集成。集成模型的超额收益和信息比率有稳定提升，Calmar比率也有较好表现。集成学习也可避免使用单一模型的风险，起到“模型分散化”的效果。
本文认为使用另类标签有三个方面的合理性(1)另类标签相比收益率包含更多信息。传统的收益率标签只利用了时间区间两端的价格信息，忽略了区间内的价格走势。本文测试的另类标签包含了股票在区间内的收益、波动和回撤信 ( 点击阅读全文 )

→ 免费下载App，立即成为ETF达人