第165章 人设的重要性（第二更4000字）

    “基于机器学习偏差校正的强因子模型预测精度显著高于单一的强因子模型。”

    “特别是PITH算法在偏差校正方面效果最佳，相比于未校正的强因子模型，PITH校正后的模型在均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）方面分别降低了77.93%、88%和88.77%。”

    童永山看着最后这一行实验结论就如同看着不穿衣服的绝世美女。

    如果说刚刚的预测拟合度还有偶发性因素的话，那最终实验报告上的偏差校正结论则完全说明这个实验的有效性！

    实际上，金融领域的诸多模型，大部分都不是用来预测具体股指信息和股票价格的。

    有些模型是用来做风险评估的，有些模型是用来做宏观经济分析的，还有些模型是用来做时间序列波动性分析的。

    但自从计量经济学诞生的那天开始，无数数学家出身的计量经济学家都曾经幻想过自己能够真正的预测股指的波动和股票的价格。

    实际上，他们也是朝着这个方向一步一步在走的。

    从期权定价的布莱克斯科尔斯模型到用来给套利定价的APT模型；从风险管理的VAR到管理利率衍生品的LMM。

    计量经济学家们一往无前的扩大着这个世界的金融风险，把这个世界带入一次又一次的金融危机。

    这一切，都来自于他们对准确预测的渴望。

    但这又谈何容易。

    预测股指也好，还是金融衍生品也罢，都不只是根据过去的走势做出的盲目预测，那样的话，计量经济学家和记录彩票号码希望能够总结出数字规律的赌鬼也没什么两样了。

    预测模型，实质上是多重模型的组合，更符合大模型的定义，是多种不同用途的模型，汇总训练后，在大数据环境下，基于真实数据状况下产生的推演，而并不是简单的总结规律。

    说人话，就是虚拟出真实市场，再根据训练数据中的真实数据，自发演化出未来的变化趋势。

    但直到今天，也没有一个真正可以相对准确预测出任何一种金融产品价格变化的模型出现。

    因为变量太多了，计算量也太大了，在人工智能诞生之前，这几乎是一个不可能完成的任务。

    在此之前，传统计量经济学领域，预测准确率最高的就是时间序列模型中的ARIMA模型和GARCH模型，这两个模型都是30多年前提出的。

    而提出GARCH前置模型ARCH的罗伯特恩格尔与克莱夫格兰杰也获得了3049年的诺贝尔经济学奖。

    纵然如此，GARCH模型的预测波动准确率也不超过百分之五十。

    而在机器学习领域，目前有一部分学者和华尔街的天才分析师们也使用长短期记忆神经网络架构对金融产品价格做出预测，但预测准确度更加不尽如人意。

    现在强因子模型和神经网络算法的结合下，居然将偏差率降低了这么多，偏差率低了，就说明预测准确率的提高并不是一个偶然性的事件！

    大成功！

    对了，这个PITH算法是什么？

    面对童永山的疑问，方豫坦然自若：“这是柚子科技开发的一种深度学习算法模型，我测试了几种不同的算法，最终PITH的偏差校正效果是最好的，报告后面附有几种不同算法的偏差校正影响。”

    “我要仔细再研究一下这个报告，小豫，你准备一下，明天组会做一次完整梳理。另外，文章也可以准备起来了，只要我们核实了实验结果的正确性，就可以投稿了。”童永山按捺住心中的激动，打开自己的电脑，连接柚子科技的服务器，开始从上面下载本次实验的所有资料。

    方豫点点头：“老师，实际上论文实验期间已经写的差不多了，估计也就两三天，补充上结果和论据部分应该就能写完。你觉得这篇文章投在哪里好？”

    童永山赞许的看了看方豫，这学生，太让人省心了！

    这么多年，就没带过这么省心的学生！

    这课题从开题到现在有一个月吗？好像也就二十多天吧？

    

第165章 人设的重要性（第二更4000字）-->>(第1/3页)，请点击下一页继续阅读。