复杂性的极限：为何特征工程在投资者流量预测中战胜深度学习
计算金融
2026-01-13 v1
摘要
将机器学习应用于金融预测的速度有望显著加快，但复杂模型在何种条件下超过简单替代方案仍不为人所了解。本文研究了是否可以从投资者订单流中提取超出简单特征工程所实现的预测价值。我们使用来自2020--2024年覆盖2,439个韩国股票的279万条观察数据的综合数据集，应用三种方法：独立成分分析 (ICA) 用于恢复潜在市场驱动因素，小波相位性分析用于表征多尺度相关结构，以及带注意力机制的长短期记忆网络 (LSTM) 用于非线性预测。我们的结果揭示了令人惊讶的发现：采用以市值归一化流量（“Matched Filter”预处理）为特征的简洁线性模型实现了1.30的夏普比率和272.6%的累计收益，而完整的ICA-小波-LSTM管道仅生成0.07的夏普比率和-5.1%的累计收益。原始LSTM模型退化为预测无条件均值的能力，仅达47.5%的命中率——差于随机。我们得出结论，在低信噪比的金融环境中，领域特定的特征工程的边际收益显著高于算法的复杂性。这些发现为将深度学习应用于金融预测 establish 重要的边界条件。
引用
@article{arxiv.2601.07131,
title = {The Limits of Complexity: Why Feature Engineering Beats Deep Learning in Investor Flow Prediction},
author = {Sungwoo Kang},
journal= {arXiv preprint arXiv:2601.07131},
year = {2026}
}