9 Ekim’de arXiv’e gönderilen çalışma, 1.072 türetilmiş değişken içinden daha küçük bir özellik kümesi seçmek için Monte Carlo Ağaç Araması ile Genelleştirilmiş İç İçe Rollout Politika Uyarlamasını birleştiriyor. Aday kümeler eğitim verisindeki hataya göre değil, örneklem dışı doğrulama performansına göre puanlanıyor; yöntem ayrıca küme büyüklüğü ve çoklu bağlantıyı dikkate alan bir hedef kullanabiliyor. İlk sayfa iki yazarı da Paris Dauphine-PSL Üniversitesi ve CNRS’deki LAMSADE ile ilişkilendiriyor.

Yazarlar, Ocak 2000-Mart 2026 dönemini kapsayan NASDAQ-100 haftalık getirilerini açıklamaya dönük deneyde, kendi yöntemi için örneklem dışı R² değerini 0,6961; optimize edilmiş Lasso karşılaştırmasını 0,6313 olarak bildiriyor. Makale bu hedefin aynı dönemde ölçülmüş değişkenlerle açıklayıcı regresyon olduğunu özellikle belirtiyor; dolayısıyla sonuç ileriye dönük getiri tahmini başarısı anlamına gelmiyor. Bu, belirli finansal veri kümesi ve deney protokolündeki bir ön baskı bulgusudur. Araştırma, çok sayıda ilişkili değişken olduğunda yorumlanabilir, seyrek model seçimi için alternatif bir arama yaklaşımı öneriyor.