“基于机器学习偏差校正的强因子模型预测精度显著高于单一的强因子模型。”
“特别是PITH算法在偏差校正方面效果最佳，相比于未校正的强因子模型，PITH校正后的模型在均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）方面分别降低了77.93%、88%和88.77%。”
童永山看着最后这一行实验结论就如同看着不穿衣服的绝世美女。
如果说刚刚的预测拟合度还有偶发性因素的话，那最终实验报告上的偏差校正结论则完全说明这个实验的有效性！
实际上，金融领域的诸多模型，大部分都不是用来预测具体股指信息和股票价格的。
有些模型是用来做风险评估的，有些模型是用来做宏观经济分析的，还有些模型是用来做时间序列波动性分析的。
但自从计量经济学诞生的那天开始，无数数学家出身的计量经济学家都曾经幻想过自己能够真正的预测股指的波动和股票的价格。
实际上，他们也是朝着这个方向一步一步在走的。
从期权定价的布莱克斯科尔斯模型到用来给套利定价的APT模型；从风险管理的VAR到管理利率衍生品的LMM。
计量经济学家们一往无前的扩大着这个世界的金融风险，把这个世界带入一次又一次的金融危机。
这一切，都来自于他们对准确预测的渴望。
但这又谈何容易。
预测股指也好，还是金融衍生品也罢，都不只是根据过去的走势做出的盲目预测，那样的话，计量经济学家和记录彩票号码希望能够总结出数字规律的赌鬼也没什么两样了。
预测模型，实质上是多重模型的组合，更符合大模型的定义，是多种不同用途的模型，汇总训练后，在大数据环境下，基于真实数据状况下产生的推演，而并不是简单的总结规律。
说人话，就是虚拟出真实市场，再根据训练数据中的真实数据，自发演化出未来的变化趋势。
但直到今天，也没有一个真正可以相对准确预测出任何一种金融产品价格变化的模型出现。
因为变量太多了，计算量也太大了，在人工智能诞生之前，这几乎是一个不可能完成的任务。
在此之前，传统计量经济学领域，预测准确率最高的就是时间序列模型中的ARIMA模型和GARCH模型，这两个模型都是30多年前提出的。
…。。