Predicting Market Troughs: A Machine Learning Approach with Causal Interpretation
创建于 更新于
摘要
本文利用双重/偏置校正机器学习(DML)方法，从灵活的非线性交互平均局部效应(APE)模型，识别出影响市场底部的因果驱动因素，核心包括期权隐含风险偏好波动性和市场流动性波动。基于支持向量机(SVM)构建的高频市场底部实时预测模型实现了优异的预测性能（AUC=0.89），并结合SHAP解释了解决模型的黑箱问题。通过比较传统部分线性回归(PLR)模型与APE模型，发现APE校正了线性模型的偏误，揭示了更复杂的非线性关系和互动效应，为资产定价理论提供了高频实证支持。交易模拟显示模型作为恐慌情绪检测器具有经济重要性，但在长熊市表现有限。该研究拓展了因果推断与机器学习在宏观金融和市场时点预测领域的应用[page::0][page::1][page::2][page::4][page::7][page::18][page::39][page::45][page::47]
