德邦证券金工机器学习专题：利用机器学习选股(1-5)

德邦证券-金工机器学习专题之一：利用机器学习捕捉因子的非线性效应（PDF，1.6M，20页）

德邦证券-金工机器学习专题之二：机器学习残差因子表现归因（PDF，1.8M，16页）

德邦证券-德邦金工机器学习专题之三：基于财务与风格因子的机器学习选股（PDF，1.6M，20页）

德邦证券-德邦金工机器学习专题之四：动态因子筛选（PDF，1.9M，24页）

德邦证券-德邦金工机器学习专题之五：基于模型池的机器学习选股（PDF，2.2M，21页）新增

 证券收益与风格因子之间不止存在线性关系。本文的研究表明，在因子与收益的线性关系之外，还有很强的待挖掘的非线性关系。
 机器学习算法可以用于挖掘非线性关系 。因子与收益之间的非线性关系可能是复杂函数，而用机器学习算法可以高效地对这种非线性关系进行建模、近似。
 以线性回归的残差训练机器学习模型。线性模型是具有明显含义且相对容易理解的部分。我们保留线性模型的这一优势，用机器学习模型拟合线性回归的残差。
 机器 学习的训练数据需要进行筛选和处理。训练机器学习模型时，需要选择合适的回顾期和频率。尤其重要的是，输入的回报数据需要进行标准化处理。
 采用集成模型的方法降低噪音和提取信号。由于回报数据的低信噪比，机器学习模型总是在拟合信号的同时拟合了噪音，通过训练多个机器学习模型，再将多个模型的预测值取平均，以尽可能消除噪音、保留信号。
 通过部分依赖曲线观测机器学习模型的行为。 。机器学习模型具有黑箱特征，但我们可以通过部分依赖曲线等工具研究其输入、输出之间的关系。通过部分依赖曲线，可以观测到各个因子的非线性贡献的强度。
 因子交互效应显著。 。机器学习方法具有非线性特征，因此可以表征因子共同变化时产生的协同作用，称为交互效应。交互效应对机器学习因子的值具有显著的作用。
 剥离 机器学习 因子中的风格因子。 将机器学习因子对风格因子进行回归取残差，可以得到剔除风格因子线性影响后的机器学习残差因子。机器学习残差因子表现出稳定的 alpha 因子特征，也是对传统多元线性回归方法的增量因子。