通过Boruta和主成分分析进行特征探索（英译中）.pdfVIP

J N P M O R G 全球跨资产策略 2023年5月19 日 跨资产策略 通过Boruta和主成分分析进行特征探索 • 我们试图问的一个基本问题是：“现在是什么推动了市场？鉴于大量的因素，我们 全球跨资产策略 转向机器学习技术寻求帮助。 托马斯Salopek交流 (1-212) 834-5476 • 我们对预制模型（随机森林、Boruta 、主成分）进行了许多非常规修改，以生成 具有各种跨资产应用程序的自定义特征选择过程。 摩根大通证券有限责任公司 费德里科•Manicardi交流 • 我们通过多种方式说明了此过程的有效性：模拟、安全复制练习和跨资产战术研 究。通常，结果指向改进的安全选择和动态 (44-20) 7742-7008 风险预算,减少营业额。 摩根大通证券公司 我们感谢亚太地区应用人工智能和机器学习团队的Kumar Vemuri和Ian Johnston对本研 究报告的重要贡献。 有关分析师认证和重要披露，请参阅第 28 页。 摩根大通正在并寻求与其研究报告中涵盖的公司开展业务。因此，投资者应注意，公司可能存在利益冲突，可能会影响本报告的客观性。投资者应将本报告视为 做出投资决策的单一因素。 托马斯Salopek (1 - 全球跨资产策略 J N P M O R G 212) 834 - 5476 2023年5月19 日 文摘 在金融统计应用中，我们经常需要一个方程来解释一个变量作为其他变量的函数。一个例子是 想要一个方程，告诉我们如何使用其他资产或因素的加权组合来复制指数的回报。尽管随机森 林、梯度提升树、神经网络等机器学习技术可以学习更复杂的输入变量到输出变量的映射，但 一个简单的方程不仅可以让我们衡量每个输入变量的相对重要性，还可以轻松描述它们与输出 变量的关系。 获得此方程的标准方法是运行多元回归分析，但这依赖于并非在所有用例中都有效的假设，并 且由于多重共线性而并不总是稳健的。我们提出了一个结合机器学习和统计学思想的管道，以 帮助从业者增强他们的多元回归分析，并在第一轮特征选择后获得鲁棒方程。我们在模拟研究 中演示了管道的实用性，然后将其应用于少数相关案例研究中。 功能探索管道 让X 是 n 个样本和 p 变量的输入数据的 n x p 矩阵，并且y 是输出数据的 n x 1 向量。我们想要 个解释的方程式y 的线性组合的列X .