基于干预插值分解的特征选择及其在量化策略多样化中的应用
机器学习
2022-09-30 v1 统计金融
摘要
在本文中，我们提出一种概率模型来计算插值分解（ID），其中观测矩阵的每一列都有其自身的优先级或重要性，从而使得分解的最终结果找到一组能代表整个特征集的特征，且所选特征也比其他特征具有更高优先级。该方法常用于低秩近似、特征选择以及提取数据中的隐藏模式，其中矩阵因子是与每个数据维度相关的潜变量。我们采用 Gibbs 采样进行贝叶斯推断以完成优化。我们在真实世界数据集（包括十只中国 A 股股票）上评估所提模型，并证明带干预的贝叶斯 ID 算法（IID）在产生与现有贝叶斯 ID 算法相当的重构误差的同时，选择了具有更高分数或优先级的特征。
引用
@article{arxiv.2209.14532,
title = {Feature Selection via the Intervened Interpolative Decomposition and its Application in Diversifying Quantitative Strategies},
author = {Jun Lu and Joerg Osterrieder},
journal= {arXiv preprint arXiv:2209.14532},
year = {2022}
}