机器学习方法资产定价论文

Posted 2021-04-27 经济学差事

Shihao, Bryan 和 Dacheng (2018)对包括线性回归，变量组降维，部分最小二乘，回归树，以及神经网络等方法运用数据比较其在预测收益率方面的表现。相比传统文献回归方法，经过训练测试的回归树和神经网络方法效能更高。其中神经网络预测下的标普500指数择时策略，相比指数持有被动策略，在拟合样本外获得更高夏普比率。这得益于灵活的机器学习方法，在各类参数控制下从数据中善于捕捉非线性关系，并且控制数据高维下可能的过拟合问题。这种方式具备较高的发挥预测作用的潜力。

表格来源: Shihao, Bryan 和 Dacheng (2018)

在他们看来，论文有益于公正评价贯穿金融科技的机器学习基础设施。对于体量更大，流动性更强的股票和组合，机器学习方法有更强的价值发挥能力。

这篇论文作为方法比较性研究，将经济学因果性推断，与预测性表现的机器学习联系起来，对于相关研究和实际的组合内生管理有推动意义。

Paper：

Gu, Shihao, Bryan Kelly, and Dacheng Xiu. Empirical asset pricing via machine learning. No. w25398. National Bureau of Economic Research, 2018.