异构金融市场中五种机器学习预测方法的统一框架比较研究

《Scientific Reports》：Heterogeneous performance of machine learning models in financial market forecasting

　　

摘要

由于非线性动力学、结构性变化、波动性聚集以及资产类别间的不确定性传递，金融市场预测仍然具有挑战性。尽管机器学习方法改进了预测建模，但在一致评估条件下，不同异质性金融市场中各方法的相对表现证据有限。本研究通过比较五种广泛使用的机器学习方法来填补这一空白：岭回归（Ridge）、最小绝对收缩和选择算子回归（Lasso）、随机森林回归（RF）、自助聚合（Bagging）和梯度提升机（GBM）。分析重点是利用2000年1月至2025年7月的月度数据，预测波动性指数（VIX）、标普500指数、黄金价格、天然气期货（NG-F）和布伦特原油期货（Brent-F）。所有模型在统一的预测框架中使用平均绝对误差（MAE）、均方误差（MSE）和决定系数（R2）进行评估。结果显示，模型在不同金融市场中的表现存在显著异质性。在预测变量间关系稳定且高度相关的市场中，Ridge和Lasso达到了较高的预测精度；而集成方法，特别是RF和GBM，在捕捉非线性交互和复杂市场动态方面提供了更大的灵活性。研究结果表明，没有单一算法在所有金融指标上始终占据优势；相反，预测性能取决于模型特征与各市场经济结构之间的相互作用。本研究强调了针对特定情境选择模型的重要性，并为寻求在变化的金融条件下获得稳健预测方法的投资者、政策制定者和风险管理师提供了实践洞见。