进阶因子工程热门课程
查看详情因子工程设计卓越班
围绕因子工程搭建完整设计框架，覆盖 AI 特征衍生、策略因子设计和可进化的因子体系。
4.9 (645评价)645人学习12小时6节
围绕因子工程搭建完整设计框架，覆盖 AI 特征衍生、策略因子设计和可进化的因子体系。
¥8,999
因子工程stock selectionA sharesrank ICLightGBM
非线性选股模型到底值不值得上桌，不能只看平均 IC，还得把回撤和稳定性一起摊开
解读 A Comparative Study and Backtesting of Machine Learning Based Quantitative Stock Selection Model，讨论选股模型比较里最容易被忽略的稳定性与回撤问题。
2026-05-048分钟
选股模型比较最常见的偷懒方式，是报一个平均 IC 或平均收益就结束。问题在于，量化研究真正关心的不是某个均值多高，而是它如何随时间波动，净值怎么走，以及一旦失效会怎么失效。
这篇文章虽然方法不算很前沿，但好在同时给了季度 Rank IC 的时间变化和 long-short 组合表现，让读者至少能看到“会不会只是某几个季度在撑场面”。
优点是把非线性模型的收益与风险一起摆上台面
树模型或其他非线性方法经常在横截面任务里拿到更高的平均指标，但如果没有回撤和稳定性配套信息，团队很难判断这种提升是否值得承担更高复杂度。本文至少在净值和回撤层面做了补充。
这使得结论不再只是“LightGBM 好于 Ridge”，而更像“非线性结构在这段样本期里既提高了排序能力，也没有把风险完全推离控制范围”。
更现实的问题是，许多非线性模型的优势只在个别风格环境里特别显眼，一旦市场进入风格挤压或流动性收缩阶段，原本看起来稳定的排序能力就可能快速变形。若论文只报平均 IC，团队会很难看见这种脆弱性。把收益路径、回撤和季度稳定性同时展开，至少能更早识别“均值好看但过程很难受”的模型。
问题在于样本长度和统计强度都还不够扎实
从论文给出的结果看，模型差异有一定方向性，但样本窗口仍偏短，很多优势未必已经达到足够强的统计说服力。若直接把这种比较转成生产结论，风险仍然偏高。
另外，A 股环境里的制度摩擦、风格轮动和成交约束都可能让样本期表现发生明显扭曲。没有更长窗口和更细的风格分层，结论仍偏初步。
真正值得固化到流程里的，是“模型比较最少要三张表”
以后做选股模型比较，最少应保留三类证据：时间序列上的 IC 稳定性、组合净值路径、以及最大回撤或其他下行风险指标。只给其中一个，研究结论都不完整。
把这三类证据变成固定模板，团队才不容易被某个漂亮的平均分数带偏。
关键结论
- 比较选股模型时，季度 IC 波动、净值路径和最大回撤必须一起看。
- 非线性模型常常在平均表现上占优，但也更容易带来样本期依赖和稳定性疑问。
- 对研究团队来说，模型排序不该只由单一预测指标决定。
关联课程
如果你想把这篇文章里的方法系统化学习，可以从这些课程继续深入。
继续阅读
因子工程
这组菲律宾新样本提醒我们，小市值溢价并不会在每个股票市场自动成立
这篇论文的核心价值，不在于复述一遍 Fama-French，而在于它在一个长期被忽视的市场里，认真把“小市值一定更赚钱”这句经验法则重新检验了一遍。
因子工程
短期股价趋势模型真正开始有意思，是当行为因子不再只是深度学习前面的装饰层
这篇论文最值得看的地方，不是又把深度学习拿来做股价预测，而是试图把行为驱动的多因子信号和短周期趋势建模真正连到一起。
因子工程
文本因子能抬高最大夏普率，但它更像一层增量信息，不是核心 alpha
这篇论文把 FinBERT 情绪和传统量化因子放到同一个优化框架里，思路不新，但落点比较实在：文本信号到底是补信息，还是只是在样本里讲故事。