MCTS金融特征选择方法提出，样本外R²超Lasso
热点事件持续更新
MCTS金融特征选择方法提出，样本外R²超Lasso
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
研究提出一种基于蒙特卡洛树搜索与GNRPA的特征选择框架，将特征选择建模为序贯决策过程，并按样本外验证表现而非训练误差为候选子集打分。 在从1,072个工程特征解释NASDAQ-100周收益的任务中，该方法取得0.6961的样本外R²，高于优化后Lasso基线的0.6313。该框架还支持兼顾子集规模与多重共线性的字典序目标。 论文由Cameron Mouangue与Tristan Cazenave发表，已被ICAIF '26接收。
AI 根据报道生成 · 2 小时前更新
最新进展10月12日 12:00
基于蒙特卡洛树搜索的 L0 特征选择：高维金融回归新方法报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv cs.LG基于蒙特卡洛树搜索的 L0 特征选择：高维金融回归新方法
研究提出基于蒙特卡洛树搜索与 GNRPA 的特征选择框架，将特征选择建模为序贯决策过程，并按样本外验证表现而非训练误差对候选子集打分。在从 1,072 个工程特征解释 NASDAQ-100 周收益的任务中，该方法取得 0.6961 的样本外 R²，优于优化后 Lasso 基线的 0.6313。该框架还支持兼顾子集规模与多重共线性的字典序目标，论文已被 ICAIF '26 接收。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。