加载中...
基于2020–2024年覆盖2,439只韩国股票的2.79M笔交易数据,论文比较了市场资本化归一化(“Matched Filter”)+线性排序与ICA、Wavelet、LSTM等复杂流水线的表现,结论是:简单的市场值归一化特征驱动的动量策略显著优于复杂模型(Sharpe 1.30 vs 0.07;累计回报272.6% vs −5.1%),表明在低信噪比环境下,特征工程的边际收益远高于模型复杂度 .
| 统计量 | 数值 |
|---|---|
| 总观测数 | 2,788,940 |
| 覆盖标的 | 2,439 只股票 |
| 日期区间 | 2020-01-02 至 2024-12-30 |
| 平均每日观测 | 2,266 |
| 投资者类别 | 3(Foreign, Institutional, Individual) |
| 策略 | 累计回报 | Sharpe (净) | 最大回撤 | 命中率 |
|---|---|---|---|---|
| Simple Momentum (Linear) | 272.6% | 1.30 | -19.1% | 56.5% |
| ICA Macro Factor (ML) | -5.1% | 0.07 | -48.9% | 51.1% |
| Investor Pair | 2–4d | 4–8d | 8–16d | 16–32d |
|---|---|---|---|---|
| Foreign vs Inst. | 0.261 | 0.262 | 0.302 | 0.383 |
| Foreign vs Indiv. | 0.627 | 0.632 | 0.550 | 0.532 |
| Inst. vs Indiv. | 0.738 | 0.635 | 0.659 | 0.570 |
| 模型配置 | RMSE | 相关 | 命中率 | 信息比率 (IR) |
|---|---|---|---|---|
| Raw Data + LSTM | 0.0158 | -0.066 | 47.5% | -1.36 |
| Normalized + Linear | 0.0157 | 0.121 | 47.5% | 1.53 |
| Full Pipeline (ICA+Coh+LSTM) | 0.0157 | 0.029 | 47.9% | 0.68 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与视觉材料的深度解读(关键图表逐一说明)
估值/预测(若作为模型预测的解释)
风险因素评估(作者识别的风险与潜在影响)
批判性视角与细微差别(审慎评估)
结论性综合(综合关键发现与表/图的深刻见解)
附注(可操作的检查点供后续工作)
(全文基于原文各节与图表逐项剖析与引证,其中每处对原文事实、数据点或结论的陈述均标注了对应页码以便溯源。)
2601.07131.pdf