本文从因果视角出发,结合经济计量多因子模型,提出一个包含因果关系的新型泛化误差上界,揭示市场非平稳性对模型泛化的影响。基于该理论,设计了能够发现不变因果特征的因果发现技术,有效减小泛化误差,显著提升股票预测模型对样本外(OOS)领域的稳定性和准确性。实证基于中国A股超4000只股票,采用多神经网络架构和多因子维度,实验验证该方法在实际投资组合中提升了年化收益率和夏普比率 .
核心论点与贡献:
误差上界的引入:经典域适应设定中,总体OOS误差≤源域误差+特征分布差异+理想联合误差(ideal joint error;λ∗)。
λ∗是最小化两个域误差之和的最优最小值,通常不可训练过程控制,且变量易变,可能导致适应失败。
本文观察到,在股票预测中该理想误差与市场非平稳关系紧密,成为不可忽视的元因素。
研究提出新的误差界,采用Wasserstein距离衡量联合特征—标签分布间距,替代单纯特征距离,体现因果视角对特征与标签机制的捕捉能力。
进一步,定义多因子模型为结构因果模型(SCM),典型表示:
rtn=∑k=1Kztn,kftk+ϵtn
其中,ztn,k是因子暴露,ftk是因子风险溢价,ϵ是股票特有噪声。
通过借鉴简化toy模型,区分真实因果特征Zt和非因果干扰Xta,分析其对泛化的不同贡献,强调因果部分条件期望不变性质。
在SCM转换后,股市数据的因果系数Ft随时间波动,但可定义可泛化子空间K~维度的因果特征Z~与其系数F~t,允许小幅波动。
提出(δf,δϵ)-泛化定义,形式上约束训练域因果系数与OOS域一致性兼容误差指标。
理论推导得出新的误差上界(定理3.1):
errt0(g)≤T1i=1∑Terrt−i(g)+T1i=1∑TW1(Pt0(g(x),r),Pt−i(g(x),r))+2λ∗提出理想联合误差可控策略:只需选择最新若干时间域的数据,市场非平稳性风险降低,同时样本量与泛化性能存在权衡。附加性质阐释λ∗未必可小,且大时对应模型因果特征学习受阻。,2,3,4]
设计因果特征发现的具体优化目标,形式为:
该结构促进学习不变分布特征并抑制虚假相关项。
评估因果发生的充要条件提出Causal/Non-Causal Deviation定义,比较因果和非因果特征系数方差,认为当因果特征的变异度小于非因果特征变异度时,优化目标能够识别正确因果特征。
进一步讨论因果特征维度K~影响,指出维度增大在一定程度上可降低残差并提升泛化能力,但若维度过大反而会引起模型复杂度过高、需求内蕴稀疏结构,带来过拟合风险。
优化目标包括残差、协方差矩阵逆迹正则以及系数一致性强制等部分,通过交替训练确保满足约束。,5,6]
本研究属理论方法与实证验证结合的机器学习预测模型研究,不涉及传统金融中资产估值模型的估值计算,故不包含DCF、市盈率等估值分析。
其核心“估值”可理解为误差上界的经济解释及交易策略收益的实证价值,侧重于泛化误差的下界控制和优化。
作者对风险均提出了缓解思路,包括强调短期训练窗口、严格残差控制和多架构集成。
本报告开辟了基于经济多因子模型的结构因果建模与领域泛化在股票预测中的桥梁。作者通过理论推导给出了新颖的泛化误差界限,强调理想联合误差与市场非平稳的紧密关联,并设计了以因果特征学习为核心的优化框架,实证涵盖中国A股逾4000支股票,三类主流深度学习架构,验证了提升泛化性和预测性能的有效性。
从表格与图表中得出的关键洞见:
综上,报告展现了因果推动的领域泛化策略在金融时序预测中的巨大潜能,并为后续对复杂市场环境下的因果关系探索提供了理论和方法学基础,极具学术及实际应用价值。[page::全篇]
本报告理论严谨、方法创新,解决了股票市场低信噪非平稳问题中模型泛化的核心障碍。因果视角的引入和多因子模型作为现实诱导偏置,是对股票预测领域方法论的重要补充。大量实证验证增强了结论的可信度。建议未来研究进一步集成宏观因子、优化多维因果特征判定机制,拓展其他市场环境以验证方法普适性。
2503.20987v1.pdf