中金 | 机器学习系列：如何结合树模型与深度学习的优势

主要观点总结

本文尝试在选股任务中将树模型和深度学习模型的优势结合，发现双模型串行结构样本外表现较好。具体来说，使用基本面数据对于长期目标的预测效果和因子收益率相对MMLP模型更好，而MMLP模型在短期目标预测任务中表现更佳。结合长短期信息的并行结构可以提升ICIR等表征因子稳定性的指标，而串行结构可以提升因子的多头超额收益率。

关键观点总结

关键观点1: 背景介绍

本文是金在中介绍树模型和深度学习模型在选股任务中的优势结合的报告。

关键观点2: 使用场景

在选股任务中，结合树模型和深度学习模型的优势，通过并行和串行结构提高模型性能。

关键观点3: 方法

采用并行和串行结构结合树模型和深度学习模型的优势，通过对比实验验证其有效性。

关键观点4: 结果

发现串行结构在短期预测目标上表现较好，而并行结构在稳定性和多头超额收益率方面有所提升。

关键观点5: 实验证据

通过对比实验和统计数据证明以上结论的有效性。

关键观点6: 总结

本文成功结合了树模型和深度学习模型的优势，提高了选股模型的性能，为未来的研究提供了有价值的参考。