该研究报告聚焦预测模型的核心挑战——如何在最大化数据效用与避免过拟合之间取得平衡，对比了两种解决方案：一是**高复杂度模型（HCM）**，通过非线性变换将原始变量扩展为大规模特征集，再通过正则化回归降维以捕捉复杂条件关系；二是**基于相关性的预测（RBP）**，一种无模型方法，通过动态筛选与当前预测任务最相关的观测值和变量组合（以"相关性"指标衡量相似性和信息量），并利用"适配度"指标预判单次预测的可靠性，最终通过"网格预测"整合多组校准方案。研究通过模拟实验验证二者均能有效提取数据信息，但RBP在**透明度**上具有显著优势——可清晰展示每个观测值对预测的贡献权重，并提前评估预测可靠性，而HCM则更依赖正则化程度和变换函数的选择，解释性较弱。

欢迎对量化感兴趣的朋友加微信索取原文或者交流：ctaxiaobai