本报告导读：

　　如何理解机器学习模型的良好效果？

　　摘要：

　　良性过拟合现象是指通过大量参数构成的复杂非线性模型在样本外表现更佳的这一反直觉现象。我们该如何理解反直觉的良性过拟合？

　　本篇报告推荐学者Bryan Kelly、Semyon Malamud 和Kangying Zhou合作的《THE VIRTUE OF COMPLEXITY IN RETURN PREDICTION》。文献不仅实证了机器学习模型的样本外效果，而且基于随机矩阵理论证明了样本外预测精度和策略表现随着模型复杂度的提升而提升，帮助我们更好理解良性过拟合现象。

　　结论1:对于机器学习模型，投资者应当尽可能在模型中加入有效信息，提升模型复杂度，从而逼近真实的收益生成过程。换言之，在真实的收益生成过程是未知的情况下，通过增强模型复杂度带来的好处大于严重参数化带来的坏处。因为金融资产的真实收益生成过程极度复杂，其未知真实特征数量理应远大于样本点数量。

　　结论2: 样本外拟合优度R 方不能反映策略的优劣。即使预测R 方为负，我们依然能够通过收益预测获取利润。这是因为R2 受到预测方差的严重影响。R 方过低只是表明策略波动较大。

　　结论3:策略表现受益于正则化，随着正则化的加大，预期收益下降，但策略波动下降更快，策略夏普有一定提升。

（文章来源：国泰君安证券）