.png){kind=icon}
返回
Machine Learning Classification and Portfolio Construction: Does the Loss Function Matter?
.png){kind=icon}
PRE
AI
DOI：10.1080/0015198x.2026.2726133.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在投资组合构建中，分类方法在匹配的机器学习模型中优于回归方法。梯度提升树、随机森林和神经网络的堆叠集成模型在分类方法中实现了价值加权年化夏普比率为2.08，而在回归方法中为1.39。这种优势随着分类粒度的提高而增强，并在子样本和交易成本纳入后依然持续。跨度测试表明，在控制回归因素后，分类方法仍能保持经济上显著的超额收益（alpha），而回归方法的alpha在控制分类因素后大幅缩减。这些结果表明，分类方法比匹配的回归方法更能提取收益信息。我们的诊断分析表明，分类方法的优越性源于对收益十分位数的更精确分离。
Keyword:
asset pricing
classification
controlled experiment
loss function
machine learning
portfolio construction
regression
2.0
