交易者-公司方法：一种用于可解释股价预测的元启发式算法

投资者试图预测金融资产收益以进行成功投资。许多量化分析师已使用基于机器学习的方法从大量市场数据中寻找未知的可盈利市场规律。然而，金融市场中存在若干挑战阻碍基于机器学习的模型的实际应用。首先，在金融市场中，不存在能够持续准确预测的单一模型，因为市场中的交易者会快速适应新可得信息。相反，存在许多短暂且部分正确的模型，称为“阿尔法因子”。其次，由于金融市场高度不确定，确保预测模型的可解释性对于制定可靠交易策略十分重要。为克服这些挑战，我们提出交易者-公司方法，一种模仿金融机构及其下属交易者角色的新颖演化模型。我们的方法通过聚合称为交易者的多个弱学习器的建议来预测未来股票收益。交易者持有一组简单数学公式，每个公式代表一个阿尔法因子候选，且对现实世界投资者具有可解释性。称为公司的聚合算法维护多个交易者。通过随机生成新交易者并对其进行再训练，公司可高效发现具有金融意义的公式，同时避免对市场瞬态状态的过拟合。我们通过在真实市场数据上实验展示了方法的有效性。