QF-14 · ML Factor Mining · 机器学习 / 因子挖掘
机器学习因子 未回测
Gu、Kelly 与 Xiu（2020）系统比较了线性回归、树模型与神经网络在美股横截面收益预测上的表现，发现机器学习方法的样本外预测能力显著优于传统线性模型。
核心命题机器能从上百个弱特征里拼出非线性预测，但也很容易拼出过拟合。
它在赌什么
- 非线性：特征与收益之间的关系并非线性，树模型与神经网络能捕捉交互项。
- 高维：上百个公司特征中，很多单独很弱，但组合后有用。
- 正则化：岭回归、LASSO、集成学习通过约束模型复杂度来对抗过拟合。
规则
- 特征：估值、盈利、动量、波动、流动性等公司特征。
- 模型：弹性网络、随机森林、梯度提升树、神经网络。
- 验证：滚动样本外，严格按时间切分，不随机打乱。
为什么收录
它把因子研究从“手工构造”推进到“模型搜索”，是当前量化研究的主流方向之一。
但论文也强调：机器学习的收益高度依赖样本外验证设计，随机切分会造成严重的信息泄露。
什么时候会失效
- 过拟合：模型越复杂，越容易记住噪声。
- 特征泄露：使用未来才公布的财务数据，会显著高估收益。
- 可解释性差：难以判断模型到底在赚什么风险的钱。
- 算力与数据成本高，小团队难以复现。
放到 A 股
- A 股可用 Qlib 的 Alpha158/Alpha360 特征集做基线，但需注意财报滞后与停牌。
- 国内涨跌停与 T+1 会改变换手与可执行性，论文参数不能直接照搬。
数据与口径
- 数据需求
- 个股特征面板、月度收益、行业分类
- 本站状态
- 未回测：需要个股级面板与算力
- 成本
- 需计换手、做空与冲击成本
- 频率
- 月度
为什么没有收益图
需要 point-in-time 的个股财务与行情面板。本站不持有此类数据，因此只做方法与文献收录。
本站拒绝用合成数据或“示意曲线”填充页面。没有可复现的数据，就不展示结果。
参考文献与来源
- Empirical Asset Pricing via Machine Learning (RFS) — Gu, Kelly & Xiu, RFS 2020。
- Microsoft Qlib — 面向 AI 量化的开源研究框架。
- Machine Learning for Trading — 从数据到回测的完整代码示例。
- mlfinlab — 金融机器学习工具集（部分功能收费）。