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

http://dachxiu.chicagobooth.edu/download/ML.pdf

对本文的总体评价为：4

可参考以下标准：

• 5分：佳作、开创性成果
• 4分：合格的优秀论文、可直接接收发表
• 3分：小改（Minor）后可接收
• 2分：需要大改（Major）
• 1分：价值有限，即使修改后亦不能发表
• 0分：本wiki不收录0分的论文

Empirical Asset Pricing via Machine Learning

1. Shihao Gu，Booth School of Business-University of Chicago
2. Bryan Kelly，Yale University, AQR Capital Management, and NBER
3. Dacheng Xiu，Booth School of Business University of Chicagohina

2019

SSRN

Machine Learning, Big Data, Return Prediction, Cross-Section of Returns, Ridge Regression, (Group) Lasso, Elastic Net, Random Forest, Gradient Boosting, (Deep) Neural Networks, Fintech

We synthesize the field of machine learning with the canonical problem of empirical asset pricing: measuring asset risk premia. In the familiar empirical setting of cross section and time series stock return prediction, we perform a comparative analysis of methods in the machine learning repertoire, including generalized linear models, dimension reduction, boosted regression trees, random forests, and neural networks. At the broadest level, we find that machine learning offers an improved description of expected return behavior relative to traditional forecasting methods. We identify the best performing methods (trees and neural networks) and trace their predictive gains to allowance of nonlinear predictor interactions that are missed by other methods. Lastly, we find that all methods agree on the same small set of dominant predictive signals that includes variations on momentum, liquidity, and volatility. Improved risk premium measurement through machine learning can simplify the investigation into economic mechanisms of asset pricing and justifies its growing role in innovative financial technologies.

建议使用Google Scholar中的Chicago版式

Diallo, Boubacar, Aliyu Bagudu, and Qi Zhang. “A Machine Learning Approach to the Fama-French Three-and Five-Factor Models.” Available at SSRN 3440840 (2019)。

https://ssrn.com/abstract=3159577

本篇论文将机器学习和资产定价的典型问题——测量资产的风险溢价——进行了综合。文章选用了多种具有代表性的机器学习方法（包括线性回归、带惩罚的广义线性模型,主成分回归降维、偏最小二乘、回归树（增强树和随机森林）、神经网络），然后使用这些方法和资产定价相结合，并对比各种方法之间的差别。文章选用1957-2016年美国公司股票的月度收益数据，选取了94种股票特征（如波动率、动量等）、74个标准工业分类、8个宏观经济预测因子。文章首先比较样本外的月度数据预测R平方，比较各方法之间的差异，然后通过两种不同的方法比较出上述各种特征的重要程度，找出最具有预测价值的预测指标：价格趋势类指标和流动性指标。此外文章还通过不同方法进行投资组合的收益预测，分别构建两种投资组合（一种类似标普500指数，一种为市场时机交易策略），结果均表明非线性模型要比线性模型更加优越（尤其是神经网络）。最后，文章还通过机器学习方法预测股票收益构建买入卖出的投资组合，结果表明非线性模型依旧优于线性模型，尤其是回归树和神经网络（3层），而且发现“浅度学习”要优于“深度学习”。

本篇文章最大的创新点是将各个机器学习方法做了横向比较（包括与传统预测方法之间的比较），并将机器学习应用在两个典型资产定价问题上（横断面预测收益和时间序列预测收益）并进行了比较。

文章通过比较发现了最具有预测价值的股票特征指标，为风险溢价方面的预测提供了一套基准，并且通过横向比较各个机器学习方法对组合预测的能力，找出了这些方法中预测能力最好的机器学习方法。

首先在比较分析最有价值的股票特征指标时，通过不同的方法分析，得出相同的结果；其次在股票特征指标的样本中加入了5个“安慰剂”指标，同样得出了相同的结果，证明了结论的稳健性。在寻找最优机器学习方法时，通过构建三种不同的投资组合，同样得到相同的结果，再次证明了结论的稳健性。

1、 可以尝试加入强化学习的方法进行验证，检验强化学习方法的优劣； 2、 可以使用文中选出的最有价值的股票特征指标，进行资产定价；