关于随机森林网络的进一步讨论
发布网友
发布时间：2024-07-13 09:01
共1个回答
热心网友
时间：2024-07-18 13:03
本文由点宽量化社区的专家团队独家分享，深入探讨随机森林网络的实践与优化。
深入问题讨论：</
在我们之前关于随机森林在股票选优中的应用研究中（原文链接已删除，以免侵犯版权），我们遇到了两个关键问题，我们将逐一剖析。
1. 调整森林规模：</
我们注意到，模型在决策时过于保守，倾向于预测下跌，召回率过低。原来森林规模为偶数导致了这种倾向。通过实验，将规模调整为201，而非200，我们发现这微小的改变使得召回率提升约2个百分点，显示出规模的奇数设定可能更具平衡性。
2. 优化剪枝策略：</
原研究中，信息增益阈值并未有效防止过拟合。新的尝试是采用最大树深度作为剪枝条件。在深度3-7、特征10-15的范围内，我们观察到以下趋势：
随着深度增加，训练集与测试集的差距扩大，超过5级深度后，过拟合明显。在所有参数中，3级深度的过拟合程度最小，与理论预期相符。
浅层树虽然过拟合小，但召回率过低。例如，3级深度的平均召回率仅为5%，4级也只有7%。这源于算法倾向于选择下跌样本较多的分类，反映模型特征选择的局限性。
综合考虑，我们选择最大树深度为4，特征数量为11的参数进行回测。尽管我们挑选了表现最好的一次训练结果，但遗憾的是，回测结果并不理想。
回测细节：</
我们使用Auto-Trader Pro（一款基于MATLAB的强大金融工具，支持机器学习策略实施）进行回测，但策略的表现并未达到预期。具体结果和分析将在后续深入讨论。
