加载中...
本文提出将高维Conditional Autoencoder与基于预测不确定性的因子筛选相结合的可扩展框架:先由CAE抽取高维潜在因子(K可达50),再用三种预测器(IID-BS、Q-Boost、ZS-Chronos)估计因子的一步前瞻分位数以衡量不确定性,按不确定性升序保留最可预测的κ个因子并在因子空间构建切线组合,从而显著提升风险调整后收益并降低最大回撤;此外,基于性能加权的模型集合进一步优于单一模型,且自适应κ选择在实证(2000–2024)中展现稳定性与抗压能力
| 策略 | CAGR (%) | Ann. Vol. (%) | Sharpe | Sortino | Max DD (%) |
|---|---|---|---|---|---|
| Ensemble (A) | 15.11 | 6.52 | 2.204 | 4.010 | 9.22 |
| Ensemble (B) | 15.84 | 7.13 | 2.111 | 4.222 | 12.13 |
| ZS-Chronos | 17.57 | 8.89 | 1.876 | 3.052 | 15.07 |
| SPY (bench) | 7.63 | 15.27 | 0.560 | 0.791 | 50.79 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与表格深度解读(逐图/表说明并展示图片)
估值分析(在本报告语境下的替代说明)
风险因素评估
批判性视角与细微差别(审慎评估)
结论性综合(要点汇总)
總結性评语(方法与可行性)
(注:以上所有直接来自报告的事实性陈述或结论均在句末标注了原文页码以便溯源。)
2511.17462.pdf