ML4T · 第 7 章 线性模型选股

ML4T · 第 7 章 线性模型选股

章节摘要:本章属「建模篇」,是全书的建模核心之一。讲清如何用线性模型做股票收益预测与选股。先讲线性回归与正则化(Ridge、Lasso、ElasticNet),理解收缩与变量筛选的差别;再讲金融面板数据专用的 Fama-MacBeth 两阶段横截面回归,处理时变风险溢价;接着实战用线性模型预测股票收益;然后用 Alphalens 评估预测信号的预测力;最后用逻辑回归处理宏观数据的离散状态预测。本章共 5 节,前置依赖为「第 6 章」。

学习目标

阅读完本章,你应当能够:

1. 用 Ridge / Lasso / ElasticNet 做正则化线性回归,理解收缩与稀疏。
2. 用 Fama-MacBeth 两阶段回归处理金融面板数据。
3. 用线性模型预测股票收益并评估预测力。
4. 用 Alphalens 评估预测信号的 IC 与分组收益。
5. 用逻辑回归处理宏观变量的离散状态预测。

⚠️ 本章涉及收益预测与策略回测,仅供学习研究,警惕过拟合,样本外表现可能显著弱于样本内。

核心概念速览

线性模型是金融建模的基线——简单、可解释、难被过拟合,任何复杂模型都要先和它比。

子章节导航

01 线性回归与正则化

线性回归、Ridge、Lasso、ElasticNet 的收缩与稀疏。

02 Fama-MacBeth

两阶段横截面回归,处理金融面板数据的时变风险溢价。

03 股票收益预测

用线性模型预测股票横截面收益的实战。

04 Alphalens 信号评估

用 Alphalens 评估预测信号的 IC 与分组收益。

05 逻辑回归宏观数据

用逻辑回归预测宏观离散状态(如衰退/扩张)。

子章节之间的逻辑关系

本章第 01 节(正则化) ──► 第 02 节(Fama-MacBeth) ──► 第 03 节(收益预测)
   │
   ▼
第 04 节(Alphalens 评估) ──► 第 05 节(逻辑回归)
   │
   ▼
下一章(第 8 章 ML4T 端到端工作流)
​

前置知识与后续延伸

前置知识:

• 第 6 章(机器学习流程与时序交叉验证)

后续延伸:

• 第 8 章 ML4T 端到端工作流把线性模型嵌入完整策略流程
• 第 9 章树模型会作为线性模型的非线性对照