PulseAugur
中
实时 21:05:00
English(EN) Interpretable Factor Decomposition for Decision Intelligence in Large-Scale Financial Markets: Evidence from China's A-Share Market

XGBoost模型利用行为信号解读股市可预测性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个可解释的机器学习流程，用于分析大规模金融市场中的股票回报可预测性，特别关注中国A股市场。该模型使用带有TreeSHAP归因的XGBoost模型，对2009年至2019年间3632只股票的数据进行分析，取得了0.547的平均AUC和+2.38%的显著月度多空价差。解释性分析显示，行为信号（如换手率和动量）占预测归因的大部分（58.2%），显著超过了估值比率（10.7%）。 AI

影响 为金融领域机器学习模型的解释提供了新方法，有望改进算法交易策略。

排序理由 该集群包含一篇学术论文，详细介绍了应用于金融市场机器学习的新方法和发现。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

XGBoost模型利用行为信号解读股市可预测性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Xiao Han, Yao Xiao, Zhen Zhang, Moxuan Zheng ·

    面向大规模金融市场决策智能的可解释因子分解：来自中国A股市场的证据

    arXiv:2606.12843v2 Announce Type: replace Abstract: We present an interpretable machine learning pipeline to decompose cross-sectional equity return predictability into auditable factor contributions. We apply an XGBoost model with TreeSHAP attribution and conduct stress testing …

相关实体

相关话题