机器学习系列之十_时间序列重采样与多尺度多窗口信息融合模型_32页_2mb
报告摘要
- 研究主题：时间序列重采样与多尺度多窗口信息融合模型应用于指数增强策略，探索高维金融数据处理方法。
- 采样方式对比：
- 均匀时间采样可能导致信息分布不均，早盘信息过载、午盘信息不足。
- 事件驱动采样（如等成交额）在高信息时段提高采样频率，有效降低噪声。
- 模型架构：
- 数据端采用事件驱动采样，生成多尺度（1m/5m/10m）时间序列。
- 多窗口划分后，使用Log-signature特征提取。
- 特征解耦模块分离共享特征与特异性特征，降低冗余。
- 集成多尺度模型，通过均等权重合成最终决策。
- 关键实验：
- 等成交额优于等时间采样，多窗口优于单窗口，信息解耦优于其他融合方式。
- 多尺度集成显著提升因子表现。
- 因子表现：
- 月频因子: Rank IC 15.53%，ICIR 1.73；周频因子: Rank IC 13.05%，ICIR 1.47。
- 风格暴露：低流动性、低波动、低估值、高盈利。
- 策略回测：
- 沪深300: 年化超额10.27%，跟踪误差4.29%
- 中证500: 年化超额12.97%，跟踪误差4.93%
- 中证1000: 年化超额20.36%，跟踪误差5.04%
- 风险特性：
- 月频因子风险暴露高于周频，但鲁棒性更强。
展开完整摘要
试读结束，高清完整版pdf/doc/ppt,请点下载
