这份Wolfe Research的报告介绍了一种新的全球股票选择模型MALTA，该模型利用多分支增强树（MBBT）等机器学习算法，通过整合中期模型、季节性模型、对冲模型和短期模型四个子模型，捕捉金融数据中常见的非线性模式，以期获得更稳健、更低的回撤以及与传统多因子模型相比更低的相关性。报告详细阐述了MBBT算法的原理、优势以及与其他机器学习算法的比较，并分析了模型参数选择、样本大小等对模型性能的影响。此外，报告还介绍了针对长期投资者和高容量投资组合设计的低换手率版本MALTA-HC模型，以及高频统计套利模型MALTA-StatArb。 报告最后比较了MALTA模型与Wolfe Research旗舰模型LEAP的性能和互补性。