GNRPA

蒙特卡洛树搜索提升金融回归特征选择性能

研究人员开发了一种新颖的特征选择框架，该框架使用具有广义嵌套滚筒策略适应（GNRPA）的蒙特卡洛树搜索（MCTS）来处理高维金融回归问题。该方法将特征选择视为一个序贯决策过程，根据样本外验证性能而非仅训练误差来评估候选特征子集。在利用1072个工程特征解释纳斯达克100指数周回报率的应用中，MCTS方法实现了0.6961的样本外R平方值，优于优化Lasso基线的0.6313，证明了其在透明度至关重要的因子归因和风险分解方面的潜力。