股票预测模型的因果视角
投资组合管理
2025-03-28 v1
摘要
在股票预测领域，机器学习模型面临信号信噪比 inherently 低和金融市场非平稳性质的诸多挑战。这些挑战常导致虚假相关性和预测关系不稳定，进而导致模型在应用到样外(OOS)域时表现不佳。为此，我们调查了\textit{域泛化}技术，特别关注因果表征学习以提高预测模型对样外域的泛化能力。通过利用计量经济学中的多因素模型，我们引入了一种显式包含因果关系的新误差上界。此外，我们提出了该误差上界与市场非平稳性之间的联系。我们还开发了一种\textit{因果发现}技术，用于发现不变的特征表征，从而有效缓解了该误差上界以及虚假相关性对因果发现的影响。我们的理论发现得到数值结果的 substantiation，展示了我们方法在增强股票预测模型泛化能力方面的有效性。
引用
@article{arxiv.2503.20987,
title = {A Causal Perspective of Stock Prediction Models},
author = {Songci Xu and Qiangqiang Cheng and Chi-Guhn Lee},
journal= {arXiv preprint arXiv:2503.20987},
year = {2025}
}
备注
12 pages