量化投資與機器學習微信公眾號，是業內垂直於
量化投資、對沖基金、金融科技、人工智慧、大資料等領域的主流自媒體。公眾號擁有來自公募、私募、券商、期貨、銀行、保險、高校等行業40W+關注者，曾榮獲AMMA優秀品牌力、優秀洞察力大獎，連續4年被騰訊雲+社群評選為“年度最佳作者”。
作者：Matthias Hanauer、Amar Soebhag、Marc Stam、Tobias Hoogteijling
本文研究了在股票收益預測中，是否需要使用行業特定的機器學習模型。作者比較了三類模型：一體化的“通才”（Generalist）模型、行業特定的“專家”（Specialist）模型，以及結合兩者優勢的“混合”（Hybrid）模型。研究發現，混合模型在樣本外預測能力上明顯優於專家模型，且在多個衡量標準上略優於通才模型，特別是在夏普比率和風險控制方面表現突出。透過美國與國際股票市場的實證分析，文章證明——將行業意識嵌入統一模型中，可以有效提高預測精度與投資組合的風險調整收益。核心觀點包括：
-
不同行業之間存在顯著的預測異質性； -
單一通才模型容易造成行業傾斜，導致風險加大； -
混合模型在兼顧行業結構和樣本量的同時，提升了學習效率和估計精度。
是否需要對行業單獨訓練特定的模型？
近年來，機器學習在資產定價中的應用迅速增長，大多數研究構建的模型都基於“一個橫截面預測一切”的前提，即通才模型。然而，既有文獻表明行業結構影響定價機制——企業間因所處行業不同而面對不同的市場摩擦、宏觀衝擊和監管環境。傳統機器學習模型大多采用“一刀切”的通才策略，將所有股票納入統一框架進行收益預測。這種做法忽視了行業間潛在的異質性：
-
行業內企業面臨相似宏觀衝擊、監管環境與供需結構； -
投資者與分析師在行業層面具備更強資訊處理優勢； -
實證研究顯示風險溢價存在行業差異。
因此，有必要探討不同模型設計對預測準確性和風險管理的影響。
模型設計
作者基於153個來自Jensen et al. (2023)的特徵變數，構建並比較以下三種模型：
-
Generalist模型：通用訓練，忽視行業特徵； -
Specialist模型：每個行業獨立建模； -
Hybrid模型：使用所有股票樣本，但特徵與目標值在行業層面標準化，實現隱性行業建模。 -
模型分別採用四種演算法：Elastic Net（線性）、GBRT（樹模型）、NN3（三層神經網路）、ENS（整合平均）。 -
資料來源與處理：涵蓋1957–2023年美股市場，排除微盤股；使用Fama-French行業分類； -
滾動訓練與測試：使用18年訓練集+12年驗證集+1年測試集的滾動視窗設計； -
目標變數：分別為全市場中位數、行業中位數的超額收益； -
評價指標： -
OOS R²（平均交叉樣本R²） -
資訊係數（IC，預測與真實排名的Spearman相關係數） -
投資組合的經濟指標：夏普比率、最大回撤、組合分權測試（spanning tests）
以下是論文中三種模型（通才 Generalist、專家 Specialist、混合 Hybrid）在關鍵維度上的異同的對比表：
實證結果
Generalist 模型存在顯著行業傾斜（尤其是科技 Tech 行業），顯示出其“無意識”地集中過度投資於某些行業。相比之下，Hybrid 和 Specialist 模型透過行業中性化排序或獨立建模，顯著降低了行業暴露偏移風險。
專家模型的預測效果（Sharpe）與行業樣本數量正相關。樣本多的行業，如金融（Finance）和科技（Tech），專家模型效果更好；而樣本少的行業預測效果顯著下降。這解釋了為什麼 Specialist 模型總體上表現不如 Hybrid 模型。
Hybrid 模型在半數行業中表現最好，其次是 Generalist，而 Specialist 表現最弱。這表明即使在行業內部預測收益時，混合模型也比完全行業分組訓練更穩健，具備較強的一致性。
該圖展示了特徵的重要性在行業間的穩定性與差異性。例如，“短期反轉”（ret_1_0）、“動量”（ret_12_1）、“skewness”等變數是多個行業共享的重要預測因子，而某些特徵只在特定行業有效。說明收益預測中既存在共通因子，也存在行業特有因子。
Hybrid 模型構建的投資組合在整個樣本期（1987–2023）中表現出最穩定、持續增長的收益曲線。透過對每月收益進行波動率調整，圖中清晰顯示出 Hybrid 策略在控制風險基礎上實現了更高的收益積累。這說明該模型在實證中不僅預測能力強，而且具備顯著的經濟效用。
以下是評價指標總結：