文章预览
点击小程序查看报告原文 Abstract 摘要 在量化投资领域，因子筛选和合成是构建有效选股组合的核心步骤。传统线性模型在处理因子非线性预测能力时存在局限，因此我们考虑是否可以借用机器学习模型（例如树模型、神经网络模型等）来挖掘因子非线性的预测能力。本报告重点探讨了使用树模型来提升多因子选股指数增强模型的效果。通过对比回归和分类模型、分析特征筛选的必要性、特征间的相关性，以及特征重要性指标，我们验证了XGBoost算法在因子筛选和合成中的应用潜力，并且在沪深300、中证500和中证1000指数增强中进行了不同参数和不同模型的较为全面的测试。 树模型用于因子合成与筛选的五问五答： 回归or分类？ 在量化因子选股的场景中，尽管股票收益率是连续变量，但考虑到收益率绝对值预测难度高等问题，我们常倾向于将问题转
………………………………
