基于概率校准的两阶段ETF替换规则及其经济价值评估

《Electronics》：Monotone Probability Recalibration for Turnover-Constrained ETF Portfolio Updating: A Two-Stage Machine Learning Decision Support Framework

　　摘要机器学习模型可以根据预测的未来表现对交易所交易基金（ETF）进行排名，但排名较高并不足以说明在扣除交易成本后，替换当前持仓是否值得。我们研究了一种两阶段替换规则，该规则基于ETF在下十个交易日收益率中进入前30%的预测概率。首先，一种受"不得反转ETF排名"约束的逻辑重校准方法会调整这些概率；若该方法将所有ETF分配相同的概率，则禁止执行替换操作。其次，通过一个独立的策略验证期来选择交易所需的最小候选标的与当前持仓的概率差值，或者选择不进行主动更新。本次分析涵盖18只存续的中国股票ETF、三种模型以及七个评估窗口。由于早期账户结果无法从保留的已验证输入中复现，我们因此报告了从一次独立重建中得出的结果。由于该重建是在检视了早期评估结果之后才设定的，因此本分析属于回顾性和探索性的。在14个主要的"模型×窗口"组合中，Brier损失平均值从0.227降至0.225，十分组期望校准误差从0.051降至0.031，但改进并不一致。五个组在校准阶段禁止了替换操作，另外两个组选择不进行主动更新，七个组则选择了有限的交易门槛。与采用相同验证流程但未校准概率的基准相比，所提出的策略共执行了47次替换，而基准为39次；经年化确定性等价回报率的平均值为0.019，而基准为0.031。"不更新"策略和固定门槛的对比同样未能提供普遍的经济优越性证据。该框架将依据预测采取行动的条件明确化，但其投资价值仍需在更广泛的历史样本上通过前瞻性评估加以验证。