Expert Aggregation for Financial Forecasting
金融预测中的专家聚合AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确聚合机器学习模型的个股收益预测，并据此评价多空组合。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
金融预测中的专家聚合
- 研究问题
- 当不同机器学习模型的股票收益预测精度随时间波动时，如何在线组合预测，并评估组合所形成的多空策略表现？
- 方法与思路
- 作者将 Bernstein 在线聚合方法用于多个模型的个股收益预测，构造多空策略，并提出专家与聚合机制的专门化扩展。
- 材料陈述的贡献
- 摘要称在线聚合在所考察的非平稳环境中取得较好的组合表现，相比单个算法具有更高夏普比率、更低短缺指标和相近换手率。
- 阅读关注点
- 应核对聚合损失与组合评价指标的关系、权重更新是否仅用当时可得信息，以及交易成本、调参与样本外比较的处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未提供收益或风险数值，也未说明交易成本和样本设计，不能推断实际策略表现。
原文摘要
Machine learning algorithms dedicated to financial time series forecasting have gained a lot of interest. But choosing between several algorithms can be challenging, as their estimation accuracy may be unstable over time. Online aggregation of experts combine the forecasts of a finite set of models in a single approach without making any assumption about the models. In this paper, a Bernstein Online Aggregation (BOA) procedure is applied to the construction of long-short strategies built from individual stock return forecasts coming from different machine learning models. The online mixture of experts leads to attractive portfolio performances even in environments characterised by non-stationarity. The aggregation outperforms individual algorithms, offering a higher portfolio Sharpe Ratio, lower shortfall, with a similar turnover. Extensions to expert and aggregation specialisations are also proposed to improve the overall mixture on a family of portfolio evaluation metrics.