Behavioral Machine Learning? Regularization and Forecast Bias
创建于 更新于
摘要
本文提出并验证一个替代理由：理性预测者在噪声信号面前通过最优正则化（shrinkage）以最小化均方误差，从而系统性地产生被传统效率检验（如Coibion–Gorodnichenko (CG)）解读为“偏差”的模式。理论给出CG系数的封闭形式并预测随正则化强度、噪声持久性和波动变化的可检验比较静态；实证用IBES分析师预测与三类ML方法（ridge、boosting、RF）的跨时、跨截面与超参数实验检验这些预测，发现ML在短期接近无偏但在两年期强烈过度反应，且正则化变化能单调改变CG系数，技术分析师在2013年后随ML采用出现显著行为转变，这说明所谓的“行为偏差”可能部分源于统计上的最优正则化而非认知失误 [page::0]
