预测建模：一个优化的动态解决方案框架

所有预测指标都是从混淆矩阵（图5）计算出来的，混淆矩阵是一个2×2列联表，用于比较二进制分类问题的预测结果与实际结果。图6定义了精度和误报率指标。精度衡量的是预计达到预期响应变量的股票的百分比，而实际实现了这一目标。高精度的统计数据是好的；低精度的统计数据将导致投资于无法达到预期基准的股票。假阴性率衡量的是预计不会超过最终产生α的α基准的股票的百分比。误报率意味着机会成本，低误报率是首选。AUC度量衡量在考虑到事件结果的潜在分布后，二元分类模型的性能是否可以与随机选择区分开来。AUC得分范围在50%（与随机机会无法区分）和100%（纯信号）之间；得分在80%以上者优先。图5混淆矩阵图6混淆矩阵度量预测结果α非α实际结果α真阳性（TP）假阴性（FN）非α假阳性（FP）真阴性（TN）     有关各种响应变量的概述，请参见附录3。有关AUC的技术定义，请参见Hanley&McNeil（1982）。财务绩效指标评估回溯测试绩效的财务指标来源于Gray&Carlisle。图7描述了这些度量。使用多个指标可确保对财务绩效进行稳健评估。多因素模型度量是主要的性能度量。

多因素模型根据财务和市场特征（因素）描述股票回报。两种常见的多因素模型是Fama-French三因素模型（Fama&French，1993）和Carhart四因素模型（Carhart，1997）。Fama-French三因素模型将股票收益描述为市场风险因素、价值因素和规模因素的函数。Carhart 4因子模型增加了第四个动量因子。评估一项投资策略是否产生了超过多因素模型的多个回报是一项重要的测试。