投资组合构成：

• 共 149 个资产，可归入 4 个板块
• 板块细分：
  • 农产品 & 畜牧：53
  • 金属：23
  • 石油：60
  • 电力 & 天然气：13
• 每个资产有两个数据集（1 个用于买入，1 个用于卖出）
• 信号类别：不平衡（< 0.30）与平衡（>= 0.30）
  • 在所有板块中，大多数数据集均不平衡。
    
  • 即便在买入与卖出信号数据集之间，信号不平衡的分布也保持一致
    

总体观察：

• CAT 在全部 4 个板块中均位列前 3 名：
  • 农产品 & 畜牧（第 2 名）
  • 金属（第 1 名）
  • 石油（第 3 名）
  • 电力 & 天然气（第 1 名）
• RF 和 LGBM 在 3 个板块中位列前 3 名：
  • RF：
    • 农产品 & 畜牧（第 1 名）
    • 石油（第 2 名）
    • 电力 & 天然气（第 2 名）
  • LGBM：
    • 农产品 & 畜牧（第 3 名）
    • 金属（第 3 名）
    • 电力 & 天然气（第 3 名）
• XGB 和 DT 在预测上往往更为激进，在最小化 FN 方面表现更好。但由于最小化 FP 的权重更高，二者的整体加权排名较差。
  • 详细结果见下一页

总体观察：

• RF & CAT 在全部 4 个板块中均位列前 3 名：
  • RF：
    • 农产品 & 畜牧（第 1 名）
    • 金属（第 2 名）
    • 石油（第 2 名）
    • 电力 & 天然气（第 2 名）
  • CAT：
    • 农产品 & 畜牧（第 3 名）
    • 金属（第 3 名）
    • 石油（第 3 名）
    • 电力 & 天然气（第 3 名）
• ET 在 3 个板块中位列前 3 名。但我们注意到，ET 在预测任何正类信号时往往相对保守。这与我们注重最小化假阳性的目标相符，但也意味着其正类信号稀少/不足。
  • 农产品 & 畜牧（第 3 名）
  • 金属（第 1 名）
  • 石油（第 1 名）
• LGBM 在 3 个板块中均稳定排名第 4（刚好位于前 3 名之外），仅在电力 & 天然气板块排名第 3。
• XGB 和 DT 在预测上往往更为激进，在最小化 FN 方面表现更好。但由于最小化 FP 的权重更高，二者的整体加权排名较差。
  • 详细结果见下一页

• 我们的排名主要基于两项核心指标，并采用加权排名：
  • 最小化假阳性（2 个排名单位）
  • 最小化假阴性（1 个排名单位）
• 根据该排名流程，总体而言，没有任何一种模型算法能够始终优于其他算法。
• 不过，CAT、RF 和 LGBM 的表现往往优于其他模型
• XGBoost 和 DT 在预测上往往更为激进。这往往能最小化 FN，但更有可能增加 FP。
• 我们观察到 ET 本质上过于“保守”。虽然它在最小化 FP 方面可能排名高于其他模型，但并未产生足够的正类信号。