股票预测翻车现场：AI花式过拟合，最后竟输给历史平均值！
(Mis)Understanding Benign Overfitting in Equity Return Prediction
📖 AI 总结
该研究探讨了高度过参数化模型在股票收益预测中是否表现出“良性过拟合”现象。作者通过理论分析和实证检验发现两个关键特征：一是无脊回归模型的预测风险呈现双下降模式；二是虽然最优脊回归模型始终优于无脊模型，但在参数与观测值比例极高时两者差距趋于消失。然而，两种模型最终均未能超越简单历史平均收益率的预测表现。这一结果与零斜率系数的原假设下的渐近结论一致，表明标准股票预测因子缺乏真实预测能力，即便在高度灵活的非线性机器学习架构中也是如此。研究调和了现代与经典机器学习在资产定价中的关系：在缺乏真实信号时，复杂模型渐近退化为历史平均基准。
🔑 关键词速览
| Benign Overfitting | 良性过拟合，指模型在插值训练数据时仍能保持良好泛化能力的现象。 |
| Double Descent | 双下降，指模型风险随模型复杂度增加先降后升再降的非单调模式。 |
| Ridgeless Model | 无惩罚岭回归模型，即最小范数插值解，对应零正则化参数。 |
| Ridge Model | 岭回归模型，通过L2正则化控制模型复杂度。 |
| Asymptotic Results | 渐近结果，指样本量趋于无穷时统计性质的极限行为。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅