集成学习在量化选股模型中的融合.docxVIP

集成学习在量化选股模型中的融合

一、引言

随着金融市场的不断成熟与复杂化，传统基于单一因子或单一模型的量化选股策略逐渐暴露出局限性：要么难以捕捉市场中的非线性关系，要么在极端行情下容易出现大幅回撤，超额收益的持续性难以保障。与此同时，集成学习作为机器学习领域的重要分支，通过组合多个基模型的预测结果，能够有效降低单一模型的方差、提升整体模型的鲁棒性与泛化能力，为量化选股策略的优化提供了新的思路。近年来，越来越多的金融机构与学术研究者开始探索集成学习与量化选股模型的融合路径，相关研究成果不仅在理论层面丰富了量化投资的方法体系，也在实践中为投资者创造了更稳定的超额收益（李洋等，2020）。本文将从基