点击蓝字关注我们陈奥林 、杨 能✦✦01引言如无必要,勿增实体。——威廉·奥卡姆良性过拟合现象的提出。大量的文献通过实证分析验证了更加复杂的机器学习模型相对于简单的线性模型能够带来更高的组合收益。直觉上,根据奥卡姆剃刀原理,简约的模型似乎更加可靠,更不容易过拟合。这种通过大量参数构成的复杂非线性模型在样本外表现更佳这一反直觉现象被称之为“良性过拟合”(Bartlett et al., 2020;Tsigler and Bartlett, 2020),我们该如何理解反直觉的良性过拟合?本篇报告推荐学者Bryan Kelly、Semyon Malamud和Kangying Zhou合作的《THE VIRTUE OF COMPLEXITY IN RETURN PREDICTION》。文献不仅实证了机器学习模型的样本外效果,而且基于随机矩阵理论证明了样本外预测精度和策略表现随着模型复杂度的提升而提升,帮助我们更好理解良性过拟合现象。换言
………………………………