Ta上传的资源 (0)

Stacking 是一种常见的集成学习框架，一般有两层，其能够成功的关键在 于第一层模型能针对原始数据得出有差异性（相关性低）且预测能力好的 输出值，这样通过第二层模型进一步学习后，能够在多个第一层模型中取 长补短，提升预测的准确度和稳定性。

传统交叉验证方法面对时序数据表现出较明显的过拟合，而时序交叉验证方法能 够有效防止过拟合。借助时序交叉验证的机器学习选股策略能够获得更高 并且更稳定的收益。推荐投资者在选择机器学习模型超参数时，使用时序 交叉验证方法。

本文 创新性地提出了两种对数损失函数改进方案，取得了更好的回测效果 损失函数在机器学习模型的训练过程中决定了模型的优化方向，具有重要 的地位。对数损失函数是机器学习中最常用的二分类模型损失函数，它的 形式可以被分解为两项，分别代表二分类的假阳性误差和假阴性误差，普 通对数损失函数中，两类误差的权重是

本文尝试从风险视角出发探讨 目标风险型策略产品的构建方法， 主要包括 以下三个方面：第一，基于最分散化方法的大类资产配臵策略；第二，基 于风险均衡方法的资产内部配臵策略；第三，确定大类和资产内部配比后 的基金产品筛选与组合构建方式。