做最低风险组合，有点像收拾行李：带得太少，可能漏掉必需品；什么都塞进去，又会被噪声拖累。这项研究关心的不是“哪只股票会涨”，而是先筛出哪些公司特征真正有助于降低组合波动，再据此分配资产权重。
据 arXiv 收录的信息，作者把公司特征、平方项和交叉项一起放进模型，形成4,610个候选变量。平方项用来表达“同一指标在高低区间作用不同”，交叉项则捕捉“两个指标合在一起才起作用”。机器学习负责变量选择，也就是从这批信息里压缩、剔除无用部分。
作者报告称，筛选后的最小方差组合——在给定资产和约束下寻找预期波动最低的权重——风险低于文献中常见的预设稀疏模型，加入非线性变量后改善尤其明显。值得注意的不是变量越多越好，而是不能凭经验过早删到只剩几个经典指标；不过供稿未披露具体降幅，因此效果大小仍无法从现有材料判断。