标签： #模型平均

因子选股里你有 5 个候选模型，回测各有高低——于是你纠结「到底信哪个」。传统做法是挑一个「历史最优」，但这是用一次抽签赌上全部样本外命运。贝叶斯模型平均（BMA）换了一种思路：不挑，而是给每个模型一个后验权重，预测是它们的加权平均。本文用横截面预期收益预测的合成实验，从零实现 BIC 权重、逐资产权重热力图、200 次蒙特卡洛胜率，证明 BMA 在 93% 情形下不劣于单模型最优，并点明 BIC 近似、权重集中、先验敏感三类真实陷阱（中阶）。

集成模型平均不是玄学而是有解析保证：Var(S_M−μ*)=(σ²/M)·(1+(M−1)ρ)，只有模型误差独立(ρ小)才持续降噪。合成里单模型 IC 0.134、40 模型集成升到 0.229，Sharpe 从 1.60 拉到 3.12，附完整 Python 与六类真实陷阱（高阶）。