問題：

• AiLA 的 CML 策略採用以分類為基礎的特徵轉換步驟，旨在協助處理非線性關係，並對可能數量龐大的特徵發揮正則化作用［詳情請參閱 CML 建模章節］。
• 特徵轉換的效益為何？
• 若以 SVM（支援向量機）取代集成樹方法，會有什麼結果？

研究方法：

• 以模型精確率及被判定為正類的天數作為與策略績效相關的指標。
• 使用相同的資料樣本與架構設定進行對照比較，唯一差異在於特徵轉換步驟。

精確率超額表現：

• 樣本中由 CML 策略預測為真實標籤的比例，減去整體資料樣本中的該比例。
• 多數資產的真實樣本比例較高，且驗證資料與保留資料的結果一致。

• 本研究與［CML 建模章節］的分析略有差異，例如納入 2021 年資料並使用一組固定的超參數。
• 然而，在存在這些細微差異的情況下，預測結果之間大致具有良好的一致性。

• 使用樹狀特徵轉換（FT）與不使用 FT 的預測結果相近，例如前者變異數較小，後者平均值略大。
• 不使用任何 FT 時所觀察到的較大變異數，與判定為正類的天數較少的傾向有關（請參閱下一張投影片）。

• 以集成樹模型為基礎的特徵轉換（FT）：
  • 將特徵數量（與樹的數量成正比）減少至少一個數量級。
  • 完整 CML 策略的預測精確率／績效，與不使用任何特徵轉換時相近。
  • 然而，模型判定為正類的天數比例始終較高。
• 由於預測優勢很小，策略要達到具參考價值的績效，需要大量的「交易日」，因此正類天數比例較高，使樹狀 FT 相較於不使用 FT 更具優勢。
• 以 SVM 模型為基礎的特徵轉換：
  • 支援向量（SV）的數量通常略多於所使用資料點數量的一半。
  • 以 SV 搭配核函數及對偶係數所建構的特徵數量，往往超過原始特徵數量。
  • 相較於樹狀 FT，SVM 版本未觀察到任何可改善之處。

• 本研究探討在 CML 策略中使用特徵轉換的影響，目前此特徵轉換以集成樹模型為基礎。
• 研究在模型預測層級進行，以避免下游策略面向所造成的差異，但著重於預期與最終策略績效最相關的指標。
• 目前以集成樹模型為基礎的 FT 大幅減少特徵數量，模型績效與不使用任何 FT 時相近，但判定為正類的天數較多。
• 由於預測優勢很小，策略要達到具參考價值的績效需要許多「交易日」，因此這被視為一項優勢。
• 比較中也納入以 SVM 模型為基礎的 FT，但相較於樹狀 FT，並未觀察到任何可改善之處。