下架理由v3重跑判定：素材讨论的是机器学习模型选择的方法论问题（岭回归vs Lasso在920个特征预测下月收益任务上的表现比较），核心是统计建模技巧（稀疏假设是否适用于弱信号环境），并未描述任何具体的市场定价机制、错误定价来源或可交易的市场状态。这属于'如何做特征选择/建模'类的方法论内容，不提炼具体机制。

下架时间2026-07-29 02:17

这条验过没有 未验证 —— 这条还没被实际查证过

现在能不能做 待探测：数据源与交易通道还没验证过 · 暂无标的

可查证的抓手 无 —— 原文没有可拿去查证的数字/区间/事件

机制类型发散型-规则型

策略类型基于公司特征的横截面收益预测策略（机器学习选股）

资产类别股票

市场美国股票市场（横截面）

信号定义使用920个公司特征作为输入变量，通过岭回归（Ridge）对下月股票收益进行预测，核心假设是股票收益的可预测信号是'弱且稠密'的（即由大量微弱但普遍存在的特征共同贡献），而非集中在少数强因子上；岭回归的收缩机制保留全部特征的信息，因而优于Lasso的稀疏选择机制乃至优于全零预测（原文：'把920个公司特征输入Lasso模型来预测下月股票收益...输给一个对所有股票都预测为零的模型'，'岭回归 > 零 > Lasso'）

交易品种范围具有可计算公司特征数据的美股股票（覆盖范围较广的横截面样本，原文未给出具体筛选标准，推断依据常见的CRSP/Compustat合并数据集做法）

持仓周期月度调仓（推断，依据原文'预测下月股票收益'的表述）

风险预算通过岭回归的L2正则化分散并控制单一特征暴露风险，属于多信号加权组合而非集中押注（推断，原文未直接给出具体风险预算）