“基于機(jī)器學(xué)習(xí)偏差校正的強(qiáng)因子模型預(yù)測精度顯著高于單一的強(qiáng)因子模型?！?br/>
    “特別是PITH算法在偏差校正方面效果最佳，相比于未校正的強(qiáng)因子模型，PITH校正后的模型在均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）和平均絕對(duì)百分比誤差（MAPE）方面分別降低了%、88%和%?！?br/>
    童永山看著最后這一行實(shí)驗(yàn)結(jié)論就如同看著不穿衣服的絕世美女。

    如果說剛剛的預(yù)測擬合度還有偶發(fā)性因素的話，那最終實(shí)驗(yàn)報(bào)告上的偏差校正結(jié)論則完全說明這個(gè)實(shí)驗(yàn)的有效性！

    實(shí)際上，金融領(lǐng)域的諸多模型，大部分都不是用來預(yù)測具體股指信息和股票價(jià)格的。

    有些模型是用來做風(fēng)險(xiǎn)評(píng)估的，有些模型是用來做宏觀經(jīng)濟(jì)分析的，還有些模型是用來做時(shí)間序列波動(dòng)性分析的。

    但自從計(jì)量經(jīng)濟(jì)學(xué)誕生的那天開始，無數(shù)數(shù)學(xué)家出身的計(jì)量經(jīng)濟(jì)學(xué)家都曾經(jīng)幻想過自己能夠真正的預(yù)測股指的波動(dòng)和股票的價(jià)格。

    實(shí)際上，他們也是朝著這個(gè)方向一步一步在走的。

    從期權(quán)定價(jià)的布萊克斯科爾斯模型到用來給套利定價(jià)的APT模型；從風(fēng)險(xiǎn)管理的VAR到管理利率衍生品的LMM。

    計(jì)量經(jīng)濟(jì)學(xué)家們一往無前的擴(kuò)大著這個(gè)世界的金融風(fēng)險(xiǎn)，把這個(gè)世界帶入一次又一次的金融危機(jī)。

    這一切，都來自于他們對(duì)準(zhǔn)確預(yù)測的渴望。

    但這又談何容易。

    預(yù)測股指也好，還是金融衍生品也罷，都不只是根據(jù)過去的走勢(shì)做出的盲目預(yù)測，那樣的話，計(jì)量經(jīng)濟(jì)學(xué)家和記錄彩票號(hào)碼希望能夠總結(jié)出數(shù)字規(guī)律的賭鬼也沒什么兩樣了。

    預(yù)測模型，實(shí)質(zhì)上是多重模型的組合，更符合大模型的定義，是多種不同用途的模型，匯總訓(xùn)練后，在大數(shù)據(jù)環(huán)境下，基于真實(shí)數(shù)據(jù)狀況下產(chǎn)生的推演，而并不是簡單的總結(jié)規(guī)律。

    說人話，就是虛擬出真實(shí)市場，再根據(jù)訓(xùn)練數(shù)據(jù)中的真實(shí)數(shù)據(jù)，自發(fā)演化出未來的變化趨勢(shì)。

    但直到今天，也沒有一個(gè)真正可以相對(duì)準(zhǔn)確預(yù)測出任何一種金融產(chǎn)品價(jià)格變化的模型出現(xiàn)。

    因?yàn)樽兞刻嗔?，?jì)算量也太大了，在人工智能誕生之前，這幾乎是一個(gè)不可能完成的任務(wù)。

    在此之前，傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)領(lǐng)域，預(yù)測準(zhǔn)確率最高的就是時(shí)間序列模型中的ARIMA模型和GARCH模型，這兩個(gè)模型都是30多年前提出的。