The Nonstationarity-Complexity Tradeoff in Return Prediction¶
书目记录。出版内容请通过原始来源链接查看。
| 字段 | 内容 |
|---|---|
| 主领域 | 金融模型选择与验证 |
| 其他领域 | — |
| 方法 | 金融机器学习, 研究方法与稳健性 |
| 检索标签 | — |
| 作者 | Agostino Capponi, Chengpiao Huang, J. Antonio Sidaoui, Kaizheng Wang, Jiacheng Zou |
| 发布时间 | 2025-12-29 |
| 来源 | SSRN Financial Economics Network |
| 外部标识 | doi:10.2139/ssrn.5980654, ssrn:5980654 |
| URL | 打开原始来源 |
编辑综合¶
为什么值得关注¶
研究把模型复杂度、训练窗口和验证历史放在同一非平稳框架中，提醒我们更多旧数据不一定更好。它提供金融模型选择的方法线索，不是已验证适用于期权、quantile 或 ranking 目标的现成方案。 (full_text:S33, full_text:S37, full_text:S98, full_text:S160, description:S6)
作者主要主张¶
- 作者在独立批次、有界收益与预测等假设下，把平方损失的 excess-risk 上界分为模型错设、有限样本不确定性和分布漂移三部分；复杂模型和更长训练窗口分别改变这些项，不能据此断言复杂模型或短窗口总是更好。 (
full_text:S33,full_text:S98,full_text:S99,full_text:S160,full_text:S220) - 作者提出 ATOMS：先按候选模型对比较历史 loss differences，为每一对选择验证 lookback，再通过随机淘汰赛选模型。候选可跨模型、超参数和训练窗口；验证窗口不同于训练窗口，预期线性比较次数也不代表训练成本线性。 (
full_text:S37,full_text:S267,full_text:S269,full_text:S270,full_text:S286,full_text:S321) - 作者在 17 个美国行业组合上报告，1990-01 至 2016-11 的 zero-forecast OOS R² 从最佳 fixed-window benchmark 的 0.043 升至 0.049：绝对增加 0.006，约为相对提高 14%，不是提高 14 个百分点。本文未复现该结果。 (
full_text:S40,full_text:S41,full_text:S387,full_text:S388)
数据、方法或讨论范围¶
数据覆盖 1987-09 至 2016-11，含 17 个行业和 129 个预测变量；按日建模、按月报告预测指标，历史月份内进行 20 次 80/20 分割，不是 20 段独立市场。按 SSRN 首发日 2025-12-29 归入 2025 Q4；本次核读 2026-08-13 的 109 页修订稿，不代表该修订内容在 2025 年已知。 (full_text:S324, full_text:S335, full_text:S376, full_text:S377, description:S7, description:S8)
主要限制¶
理论不自动覆盖一般时间依赖；实操 M′ 由历史分位数校准，并非理论绝对上界。成本系数是 4×10⁻⁴/252 乘 turnover，不是每次换手 4bp；“monthly Sharpe”是月内日收益比值再平均。月度特征、滞后与实时 vintage 尚未代码审计，不能确认 PIT 无泄漏，也不据此断定存在泄漏。preprint，未复现或独立验证证明。 (full_text:S98, full_text:S99, full_text:S160, full_text:S466, full_text:S468, full_text:S471, full_text:S724, full_text:S727, full_text:S734, full_text:S745, full_text:S916)