每日自适应机器学习股票排序能否经受交易成本的考验？来自横截面技术信号的证据

《Economies》：Do Daily Adaptive Machine Learning Stock Rankings Survive Trading Costs? Evidence from Cross-Sectional Technical Signals

　　

本研究考察基于技术信息的每日机器学习股票排序是否包含样本外排序信息，以及该信息能否转化为经济上可实现的收益。研究人员使用2021至2026年动态筛选的纳斯达克源宇宙，在时序走窗（walk-forward）设计中评估四种XGBoost目标。测试NDCG（Normalized Discounted Cumulative Gain）收敛于0.495–0.504，但置换分析显示随机排序均值约0.45，表明存在统计可检测但温和的横截面排序信息。经济表现显著更弱。在次日开盘至收盘目标所隐含的执行惯例下，每个投资组合于开盘买入、收盘清仓，因此往返换手率等于2。Pseudo-Huber Top-1作为事后集中性诊断，产生34.9%毛年化几何收益、89.5%波动率和86.5%最大回撤；Newey–West均值收益检验不显著（p = 0.106）。每交易腿5基点时，其零现金净CAGR降至4.8%；闲置资本按日无风险利率计息使总收益CAGR升至9.3%，但超额收益推断不变（p = 0.297）。对SPY开盘至收盘收益的匹配期限回归得到统计不显著的净年化alpha（p = 0.436）。Hansen的SPA检验在同步12策略族上p = 0.207，Pseudo-Huber Top-1的Deflated Sharpe Ratio概率为0.462。结果高度依赖时间与尾部。证据支持区分统计可检测排序信息与稳健可实施异常收益，而非持续交易异象。

研究背景与动机

在短周期机器学习资产定价研究中，预测排序能力与经济可实现的异常收益常被混淆。灵活非线性模型可捕捉传统线性规格难以表示的互动与阈值效应，但日频技术信号面临设定搜索、数据窥探、高换手与成本侵蚀等挑战。研究人员指出，日频横截面选股中“排序含信息”不等于“信息可转化为稳健超额收益”，因此有必要在统一信息集与时序走窗框架下，同时检验排序质量、集中性诊断与经济可实施性。

研究概述与发表信息

研究人员在《Economies》发表论文，基于2021年8月2日至2026年7月31日动态筛选的纳斯达克源宇宙（NMS、NGM、NCM代码），构建196维技术预测集（含原始、横截面分位排名、组合三种表示，共392输入），以次日开盘至收盘收益为目标，采用105日训练、21日验证、单日测试的滚动走窗，对比四种XGBoost目标：Pseudo-Huber回归、下行惩罚回归、成对排序（pairwise ranking）与NDCG导向排序。配置层在12个候选（3表示×K∈{5,10,20,30}）上以验证NDCG、训练–验证IC间隙、验证Top-K收益三等权自适应选择。执行层统一为开盘买、收盘卖，往返换手率恒为2，每腿5基点为敏感性下限。结论为：模型含温和统计排序信息（测试NDCG≈0.50，高于随机null≈0.45），但经成本、因子调整、子期不稳定与多重检验控制后，无稳健可交易异常收益。

主要技术方法（≤250字）

研究人员取yfinance调整后日频OHLCV与量，按≥35观测、价≥5美元、ADV20（20日中位美元量）高于横截面10分位做点时刻筛选；技术特征分动量反转、波动率、震荡、量价、市场上下文等族，做原始/排名/组合三种表示。模型端固定XGBoost树集成，四目标共享超参网格，在105日窗内以84/21日内切分调参，以Spearman信息系数与NDCG@10等权选超参；配置端以验证NDCG、|训练?验证IC|、验证Top-K收益三等权选表示与K；推理端开盘买收盘卖，往返换手=2，5基点/腿作成本前沿起点；统计端用置换null、Newey–West、SPY匹配期限alpha、Hansen SPA、Deflated Sharpe Ratio与平稳自助。

研究结果

4.1 机器学习性能：训练NDCG在成对排序0.773最高、NDCG排序0.694、下行惩罚0.642、Pseudo-Huber 0.561；测试NDCG收窄至0.495–0.504，置换null均≈0.453，单侧p≤0.0005。Pseudo-Huber训练–测试衰减最小（0.561→0.503），学习排序目标泛化衰减最大。结论：有统计可检测但经济温和的排序信息。

4.2 特征重要性与稳定性：下行惩罚模型重要度集中于ATR类与区间波动率（波动率族占67.2%）；Pseudo-Huber池化模型中14个跨证券同日恒定市场聚合变量占Top-20增益重要度38.1%，但不能直接做当日横截面判别；成对排序Top-10 Jaccard相似度仅0.068、Top-1持续率2.7%，最不稳定。结论：回归类属性更稳，排序类切换剧烈。

4.3 模型与配置稳定性：自适应层在12候选上等权打分，选中与次选分差中位数2/33，精确平局占15.2–18.8%；K与表示全周期切换，无持久联合配置。结论：自适应选择是噪声装置，非日频适应本身创造价值。

4.4 自适应Top-K组合：Downside-Penalized Adaptive毛CAGR 9.5%、波动43.0%、Sharpe 0.425；Pseudo-Huber Adaptive 4.5%/40.5%/0.311；NDCG Adaptive算术12.3%但几何?1.0%（波动51.6%，回撤?72.9%）；Pairwise Adaptive几何?15.9%。NW p值0.347与0.483不显著；等权合格宇宙基准毛CAGR 5.1%。结论：毛点估计为正但不稳不显著。

4.5 集中Top-1组合：Pseudo-Huber Top-1毛CAGR 34.9%、波动89.5%、回撤?86.5%，NW t=1.62（p=0.106）；前半样本几何154.9%、后半?28.9%，2022–2023强、2024–2026负。NDCG Top-1几何?6.6%，下行惩罚Top-1算术48.7%但几何?7.6%，成对Top-1几何?8.6%。结论：极端尾端大点估计伴高波动与时间反转，属事后集中诊断非可投资异象。

4.6 换手与交易成本：开盘买收盘卖使往返换手恒2，5基点/腿即10基点/投资日。Pseudo-Huber Top-1毛34.9%→净零现金4.8%（NW p=0.297），计闲置无风险息总CAGR 9.3%但超额推断不变；成本前沿显示每腿成本稍升即侵蚀殆尽。结论：有限毛信息无成本缓冲。

4.7 市场流动性与零售参与：入选股中位ADV20为3230万–6690万美元；5万美元组合下Pseudo-Huber Top-1单腿中位参与ADV20的0.103%、95分位0.899%、95.8%腿<1%。结论：零售规模量参与低，但每日全往返仍耗收益，低参与≠低成本。

4.8 稳健性：自适应消融与固定ranked K=5在5基点下净CAGR皆负；ADV20门限1000万/2500万/5000万/1亿逐次缩投资日，Pseudo-Huber Top-1在1000万门限RF现金几何≈2.4%（p≈0.35），严门限更差。结论：替代规则与流动性门限不改负向可实施结论。

4.9 统计推断：Pseudo-Huber Top-1毛NW t=1.62（p=0.106）、净t=1.04（p=0.297）；匹配SPY开盘收盘alpha毛58.5%（p=0.171）净33.3%（p=0.436）；收盘对收盘CAPM/FF3/FF5仅作期限错配次要检查。结论：均值收益与alpha均不显著。

4.10 子期、基准与多重性：Pseudo-Huber Top-1在2022年毛CAGR 646.8%、2023年75.9%，2024–2026负；前半154.9% vs 后半?28.9%；Hansen SPA（12策略同步）p=0.207；DSR概率0.462；平稳自助5基点净CAGR 95%区间≈?58.1%至147.5%。结论：无子期、基准、因子或多重检验能建立稳健净异常。

讨论与结论翻译

讨论部分指出，统计可检测排序信息与经济可实施异常收益须分离；学习排序目标训练拟合更强但属性与配置更不稳；Pseudo-Huber泛化间隙最小但Top-1结果集中于前半样本且经成本与多重控制不稳健；回归类特征重要度更持久但池化市场聚合变量不能直接判别横截面；5基点非刀刃阈值而是成本前沿一点；连续日重叠不降低收盘清仓成本；Top-1是评分分布事后诊断不是单股推荐；研究限于多空未存仅多头Top-K，后续应预存全评分向量做Bottom-K与多空、剔除14个恒定聚合变量或做日内去均值目标、分离慢选股与日频技术分配。

结论部分译文：本研究评估短周期机器学习排序在纳入泛化、模型稳定、集中性、换手、交易成本与零售规模参与后能否生成经济有意义选股策略。四种XGBoost目标在时序走窗下对比，训练NDCG分化但测试NDCG聚于0.50附近；学习排序训练优但属性配置更不稳；Pseudo-Huber训练–测试NDCG间隙最小，下行惩罚自适应毛复合最强。最强毛集中结果为Pseudo-Huber Top-1，毛CAGR 34.9%、累计266.4%，但波动89.5%、回撤?86.5%、NW不拒零（p=0.106），集中于2022–2023且受极端日驱动，非持续预期收益异象。证据支持“统计可检测排序信息”与“稳健可实施异常收益”的区分，而非日频技术机器学习横截面选股存在可交易持久异象。