2.2.单项预测模型的选择
预测模型种类繁多且各有优劣势，从统计学层面来看，可分为回归问题和分类问题两大类，而在机器学习层面，可分为线性模型、树型模型和神经网络模型，（1）线性模型可细分为线性回归和逻辑回归，二者易于理解，但具有“过拟合”、无法预测更复杂行为的弊端。（2）树型模型可细分为决策树、随机森林、梯度提升，具有结果精确、稳定且更易于解释，并可以映射非线性关系以求解问题的优势。（3）神经网络模型近年被广泛应用，预测效率较高，但是可解释性较差。所以，对选入组合模型的算法成为了影响组合模型预测精度的核心因素，除了最简单依靠预测误差进行对比的方法，Samuels和 Sekkel（2017）[8]提出基于模型置信集（Model Confidence Set，MCS）的裁剪方法，认为该方法具有更好的鲁棒性以及更大的预测性能提升空间。
