本案例针对股价预测领域中的多因子模型挑战，提出了一种创新的结合充分降维与模型平均的预测方法。该方法首先运用切片逆回归（SIR）及其加权版本进行因子挖掘，有效降低因子冗余和“维数灾难”，确保充分捕捉股价信息。其次，引入Bagging集成学习模型，通过构建并平均多个子模型，平衡预测中的方差与偏差，降低过拟合风险，提升泛化能力。在实证分析中，该方法相较于传统模型展现出更低的均方误差和绝对误差，且在不同市场条件下均表现出稳健性。此外，当选用可解释性机器学习算法作为子模型时，该方法不仅能提高预测精度，还能揭示各量化因子在股价波动中的作用及重要性，为投资决策提供有力参考。通过对中国医药、中国核电和中国船舶三只股票的模拟实验，对比七种不同模型的性能表现，发现本案例提出的FSAVE-IMB模型在误差稳定性方面显著优于其他模型，SRE和SME两个指标的标准差均更小，证明了该方法在股价预测中的有效性和优越性。总之，本案例为多因子模型研究提供了新的思路与应用方向，适用于复杂场景下的股价预测。
"
["minPrice"]=>
string(4) "0.00"
["maxPrice"]=>
string(4) "0.00"
["discountId"]=>
string(1) "0"
["images"]=>
array(3) {
["large"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a0e76684098.jpg"
["middle"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a1931466462.jpg"
["small"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a2054775740.jpg"
}
["ratingNum"]=>
string(1) "0"
["rating"]=>
string(1) "0"
["hitNum"]=>
string(3) "237"
["hotSeq"]=>
string(1) "0"
["maxPriceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["minPriceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["minDisplayPrice"]=>
string(4) "0.00"
["maxDisplayPrice"]=>
string(4) "0.00"
["minDisplayPriceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["maxDisplayPriceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["canManage"]=>
bool(false)
["peopleShowNum"]=>
string(3) "140"
["isMember"]=>
bool(false)
["status"]=>
string(7) "created"
["orgId"]=>
string(1) "1"
["orgCode"]=>
string(2) "1."
["recommendWeight"]=>
string(1) "0"
["recommendedTime"]=>
string(1) "0"
["createdTime"]=>
string(25) "2025-01-13T17:16:35+08:00"
["updatedTime"]=>
string(25) "2025-12-11T19:06:48+08:00"
["product"]=>
array(7) {
["id"]=>
string(4) "2102"
["targetType"]=>
string(6) "course"
["title"]=>
string(118) "“智预测，赢未来”：基于加权充分降维与Bagging框架的中国股市多因子量化投资策略研究"
["owner"]=>
string(1) "3"
["createdTime"]=>
string(10) "1736759795"
["updatedTime"]=>
string(10) "1742450928"
["target"]=>
array(17) {
["id"]=>
string(4) "2223"
["type"]=>
string(6) "normal"
["title"]=>
string(118) "“智预测，赢未来”：基于加权充分降维与Bagging框架的中国股市多因子量化投资策略研究"
["subtitle"]=>
string(0) ""
["summary"]=>
string(1281) "本案例针对股价预测领域中的多因子模型挑战，提出了一种创新的结合充分降维与模型平均的预测方法。该方法首先运用切片逆回归（SIR）及其加权版本进行因子挖掘，有效降低因子冗余和“维数灾难”，确保充分捕捉股价信息。其次，引入Bagging集成学习模型，通过构建并平均多个子模型，平衡预测中的方差与偏差，降低过拟合风险，提升泛化能力。在实证分析中，该方法相较于传统模型展现出更低的均方误差和绝对误差，且在不同市场条件下均表现出稳健性。此外，当选用可解释性机器学习算法作为子模型时，该方法不仅能提高预测精度，还能揭示各量化因子在股价波动中的作用及重要性，为投资决策提供有力参考。通过对中国医药、中国核电和中国船舶三只股票的模拟实验，对比七种不同模型的性能表现，发现本案例提出的FSAVE-IMB模型在误差稳定性方面显著优于其他模型，SRE和SME两个指标的标准差均更小，证明了该方法在股价预测中的有效性和优越性。总之，本案例为多因子模型研究提供了新的思路与应用方向，适用于复杂场景下的股价预测。
"
["cover"]=>
array(3) {
["large"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a0e76684098.jpg"
["middle"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a1931466462.jpg"
["small"]=>
string(75) "http://www.chinadatacase.com/files/course/2025/03-20/1408342a2054775740.jpg"
}
["status"]=>
string(9) "published"
["studentNum"]=>
string(3) "140"
["discountType"]=>
string(8) "discount"
["discount"]=>
string(2) "10"
["minCoursePrice"]=>
string(4) "0.00"
["maxCoursePrice"]=>
string(4) "0.00"
["defaultCourseId"]=>
string(4) "2229"
["productId"]=>
string(4) "2102"
["goodsId"]=>
string(4) "2101"
["minCoursePrice2"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["maxCoursePrice2"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
}
}
["extensions"]=>
array(3) {
[0]=>
string(8) "teachers"
[1]=>
string(14) "recommendGoods"
[2]=>
string(10) "isFavorite"
}
["specs"]=>
array(1) {
[0]=>
array(26) {
["id"]=>
string(4) "2128"
["goodsId"]=>
string(4) "2101"
["targetId"]=>
string(4) "2229"
["title"]=>
string(0) ""
["seq"]=>
string(1) "1"
["status"]=>
string(9) "published"
["price"]=>
string(4) "0.00"
["coinPrice"]=>
string(4) "0.00"
["usageMode"]=>
string(7) "forever"
["usageDays"]=>
string(1) "0"
["usageStartTime"]=>
string(1) "0"
["usageEndTime"]=>
string(1) "0"
["buyableStartTime"]=>
string(1) "0"
["buyableEndTime"]=>
string(1) "0"
["buyableMode"]=>
NULL
["buyable"]=>
string(1) "1"
["maxJoinNum"]=>
string(1) "0"
["services"]=>
array(0) {
}
["priceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["displayPrice"]=>
string(4) "0.00"
["displayPriceObj"]=>
array(2) {
["currency"]=>
string(3) "RMB"
["amount"]=>
string(4) "0.00"
}
["isMember"]=>
bool(false)
["access"]=>
array(2) {
["code"]=>
string(14) "user.not_login"
["msg"]=>
string(15) "用户未登录"
}
["hasCertificate"]=>
bool(false)
["learnUrl"]=>
string(43) "http://www.chinadatacase.com/my/course/2229"
["teachers"]=>
array(1) {
[0]=>
array(6) {
["id"]=>
string(1) "3"
["nickname"]=>
string(5) "admin"
["title"]=>
string(1) " "
["uuid"]=>
string(40) "634d3b58166bfafd4069119be97ee6bfee064c52"
["destroyed"]=>
string(1) "0"
["avatar"]=>
array(3) {
["small"]=>
string(75) "http://www.chinadatacase.com/files/user/otherform/1711697442_1722994936.png"
["middle"]=>
string(75) "http://www.chinadatacase.com/files/user/otherform/1711697442_1722994936.png"
["large"]=>
string(75) "http://www.chinadatacase.com/files/user/otherform/1711697442_1722994936.png"
}
}
}
}
}
}
{
"i18nChapterName": "章",
"i18nUnitName": "节",
"i18nLessonName": "课时",
"i18nTaskName":"任务"
}
{
"text": {
"icon": "es-icon es-icon-graphic",
"name": "图文"
}
,
"video": {
"icon": "es-icon es-icon-video",
"name": "视频"
}
,
"audio": {
"icon": "es-icon es-icon-audio",
"name": "音频"
}
,
"live": {
"icon": "es-icon es-icon-entry-live",
"name": "直播"
}
,
"discuss": {
"icon": "es-icon es-icon-discuss",
"name": "讨论"
}
,
"flash": {
"icon": "es-icon es-icon-flash",
"name": "Flash"
}
,
"doc": {
"icon": "es-icon es-icon-document",
"name": "文档"
}
,
"ppt": {
"icon": "es-icon es-icon-ppt",
"name": "PPT"
}
,
"testpaper": {
"icon": "es-icon es-icon-examination",
"name": "考试"
}
,
"homework": {
"icon": "es-icon es-icon-task",
"name": "作业"
}
,
"exercise": {
"icon": "es-icon es-icon-exercise",
"name": "练习"
}
,
"download": {
"icon": "es-icon es-icon-downloadfile",
"name": "下载资料"
}
,
"cases": {
"icon": "es-icon es-icon-school",
"name": "实验"
}
}
1765460104
