基于混合机器学习集成的短期市场风险因果与预测建模及系统性阿尔法生成
计算金融
2025-10-28 v1
摘要
我们提出了一个系统性交易框架，用于预测短期市场风险、识别其背后的驱动因素，并利用针对该信号构建的混合机器学习集成生成阿尔法。该框架将神经网络与基于树木的投票模型集成，用于预测标普500ETF的五日回撤，利用跨资产特征集合，涵盖股票、固定收益、外汇、商品和波动率市场。可解释的特征归因方法揭示了区分高风险（崩溃）与低风险（非崩溃）周度情景的关键宏观经济和微观结构因素。实证结果显示，夏普比率为2.51，年化CAPM阿尔法为+0.28，市场Beta为0.51，表明该模型在2005--2025年的回测期间 delivers substantial systematic alpha with limited directional exposure。总体而言，研究结果凸显了混合集成架构在捕捉非线性风险动力学和识别可解释、可能因果驱动因素方面的有效性，为基于机器学习的系统性交易中阿尔法生成提供了稳健的蓝图。
引用
@article{arxiv.2510.22348,
title = {Causal and Predictive Modeling of Short-Horizon Market Risk and Systematic Alpha Generation Using Hybrid Machine Learning Ensembles},
author = {Aryan Ranjan},
journal= {arXiv preprint arXiv:2510.22348},
year = {2025}
}
备注
17 pages, 8 figures, 4 tables