High-Dimensional Learning in Finance
金融中的高维学习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：摘要明确讨论金融预测的样本外表现及高维学习的信息限制，最直接对应金融预测方向。
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…
关注这篇论文的作者
金融中的高维学习
- 研究问题
- 金融预测中，过参数化模型的成功是否来自预期的高维学习机制，以及样本内标准化和有限信息量如何限制可靠学习？
- 方法与思路
- 作者分析随机 Fourier 特征标准化对核近似的改变，建立可靠学习的信息论下界，并用金融预测的参数配置进行定量校准。
- 材料陈述的贡献
- 摘要称，标准化会产生依赖训练集的核，典型配置下的信息下界要求很长样本，作者据此将预测成功解释为较低复杂度机制的结果。
- 阅读关注点
- 应核对下界对应的模型类和信号设定、标准化的具体定义，以及校准参数与实际预测任务是否匹配，能否支持对成功来源的解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出下界条件，不能把特定配置下的限制推广为所有金融机器学习均无效。
原文摘要
Recent advances in machine learning have shown promising results for financial prediction using large, over-parameterized models. This paper provides theoretical foundations and empirical validation for understanding when and how these methods achieve predictive success. I examine two key aspects of high-dimensional learning in finance. First, I prove that within-sample standardization in Random Fourier Features implementations fundamentally alters the underlying Gaussian kernel approximation, replacing shift-invariant kernels with training-set dependent alternatives. Second, I establish information-theoretic lower bounds that identify when reliable learning is impossible no matter how sophisticated the estimator. A detailed quantitative calibration of the polynomial lower bound shows that with typical parameter choices, e.g., 12,000 features, 12 monthly observations, and R-square 2-3%, the required sample size to escape the bound exceeds 25-30 years of data--well beyond any rolling-window actually used. Thus, observed out-of-sample success must originate from lower-complexity artefacts rather than from the intended high-dimensional mechanism.