问题：

• AiLA 的 CML 策略包含一个利用分类进行特征转换的步骤，旨在帮助处理非线性关系，并针对可能数量庞大的特征起到正则化作用［详见 CML 建模部分］。
• 特征转换有何益处？
• 如果用 SVM 替代树集成方法，会出现什么结果？

方法：

• 聚焦模型精确率和被判为正类的交易日数量，将其作为与策略表现相关的指标。
• 使用相同的数据样本和架构设置进行对照比较，唯一的区别在于特征转换步骤。

精确率超额表现：

• CML 策略所预测样本中真实标签实例的占比，减去整个数据样本中的占比。
• 大多数资产的真实实例占比更高，且验证数据与保留数据的结果一致。

• 本研究与［CML 建模部分］的分析存在细微差别，例如纳入了 2021 年数据并采用一组固定的超参数。
• 不过，考虑到这些细微差别，预测结果之间总体上具有良好的一致性。

• 使用基于树的特征转换（FT）与不使用 FT 的预测结果相近，例如方差较小与均值略大之别。
• 不使用任何 FT 时观察到的较大方差，与模型倾向于将较少交易日判为正类有关（参见下一页）。

• 特征转换（FT）基于树集成模型：
  • 将特征数量（与树的数量成正比）减少至少一个数量级。
  • 完整 CML 策略的预测精确率/表现与不使用任何特征转换时相近。
  • 但被模型判为正类的交易日占比始终更大。
• 鉴于预测优势较小，需要大量“交易日”才能获得有意义的策略表现，因此正类交易日占比更大这一点支持使用基于树的 FT，而非不使用 FT。
• 基于 SVM 模型的特征转换：
  • 支持向量（SV）的数量通常略多于所用数据点数量的一半。
  • 利用 SV 结合核函数和对偶系数构建的特征数量，往往超过原始特征数量。
  • 与基于树的 FT 相比，SVM 版本未见任何改进之处。

• 我们研究了在 CML 策略中使用特征转换的影响，该特征转换目前基于集成树模型。
• 为避免下游策略环节带来的差异，本研究在模型预测层面开展，但聚焦于预计与最终策略表现最为相关的指标。
• 当前基于集成树模型的 FT 大幅减少了特征数量，且与不使用任何 FT 相比模型表现相近，但被判为正类的交易日数量更多。
• 鉴于预测优势较小，需要大量“交易日”才能获得有意义的策略表现，因此这被视为一项优势。
• 比较中还纳入了基于 SVM 模型的 FT，但与基于树的 FT 相比，未见任何改进之处。