机器学习在选股策略中的回测框架搭建.docxVIP

机器学习在选股策略中的回测框架搭建

引言

随着量化投资行业的发展，机器学习凭借其对高维非线性关系的捕捉能力，越来越多地被应用到选股策略的开发中。相较于传统人工构建多因子模型的模式，机器学习能够从海量的价量、财务、另类数据中挖掘人工难以发现的定价规律，一度被视为获取超额收益的新路径。但在实践中，大量机器学习选股策略都陷入了“回测收益亮眼、实盘表现拉胯”的困境：不少回测年化收益超过百分之三十的策略，一到实盘就快速回撤，甚至跑不赢基准指数。造成这种现象的核心原因，并不是机器学习方法本身失效，而是多数研究者使用的回测框架存在系统性偏差，或是包含未来函数带来信息泄露，或是低估交易摩擦导致收益虚高，或是过