文章导读
当你还在用经典线性回归模型死磕股票收益率预测时，是否发现历史数据越嘈杂、样本量越小，你的策略就越容易失效？大多数人以为这是数据本身的问题，却忽略了拟合参数中隐藏的随机性噪声正在悄悄吞噬你的预测精度。交大安泰团队最新研究揭示了一个反直觉的真相：盲目追求“拟合最优”往往导致“预测最差”，而通过引入基于信噪比的 L 乘子修正，能在高噪声环境下显著逆转这一劣势。这套方法如何在不增加数据量的前提下，直接提升均值—方差效用投资者的最终绩效？那个能自动调节修正力度的关键表达式，或许正是你模型里缺失的最后一块拼图。
— 内容由好学术AI分析文章内容生成，仅供参考。
上海交大安泰经管学院林艳艳助理研究员、朱顺伟博士后、吴冲锋教授于2026年1月在国内管理学顶尖期刊《管理科学学报》发表论文《基于信噪比改进预测的金融建模方法与实证研究》，2026年第29卷第1期。
【论文摘要】
在经典的线性回归模型基础上，考虑拟合模型参数估计的随机性因素后，应该对经典的线性回归模型给予一定的修正才能更好地预测未来。因此，本文提出基于信息噪声比修正的L乘子模型，它架起拟合最优模型与预测最优模型的关系。文中给出了最优L乘子的显式解，并在考虑预测变量存在自相关性的情况下，给出了L的改进表达式。然后，本文探讨了L乘子的两种估计方法。实证上，通过将L乘子模型应用于股票收益率的预测问题验证了本文理论有效性。结果表明：（1）相较于基准的线性回归模型，L乘子模型具有更高的预测精度；（2）噪声较高、历史样本量较小或预测变量的信息含量较低时，L乘子的修正力度较大，带来的预测改进效果越明显；（3）对于均值—方差效用的投资者而言，这种预测性能的改进可以为其带来投资绩效提升。这些结论也满足一系列的稳健性检验。
【作者简介】
林艳艳，上海交通大学安泰经济与管理学院助理研究员。
主要研究方向：金融工程、公司金融。
朱顺伟，上海交通大学安泰经济与管理学院博士后。
吴冲锋，上海交通大学安泰经济与管理学院特聘教授。
主要研究方向：金融工程，主要包括资产定价、金融风险管理和金融产品创新等。
作者： 学科建设与科研办公室 供稿单位： 安泰经济与管理学院
© 版权声明
本文由分享者转载或发布，内容仅供学习和交流，版权归原文作者所有。如有侵权，请留言联系更正或删除。
相关文章
之前看类似文章说噪声大时修正才有效，看来是真的
L乘子具体怎么算的，有点晕
这模型在实战里真能跑赢大盘吗？
安泰又发顶刊了，厉害👍