机器学习因子在多因子策略中的正交化处理.docxVIP

机器学习因子在多因子策略中的正交化处理

引言

在量化投资领域，多因子策略通过挖掘影响资产价格的关键驱动因素（即因子），构建预测模型并优化组合配置，是长期占据主流地位的投资方法论。近年来，随着机器学习技术的快速发展，基于随机森林、梯度提升树（GBDT）、神经网络等算法生成的机器学习因子，因其能捕捉非线性关系、处理高维数据及挖掘隐含交互效应的优势，逐渐成为多因子策略的核心组成部分（Jamesetal.,2013）。然而，多因子策略的有效性高度依赖因子间的独立性——若因子间存在显著共线性（即信息重叠），会导致模型参数估计不稳定、因子收益归因失真，甚至降低组合的风险分散效果（FamaFren