Machine Learning in Asset Pricing
创建于 更新于
摘要
本报告深入探讨机器学习方法在资产定价领域的应用，重点解决高维度预测变量带来的传统统计方法难题。通过引入经济学先验知识，结合贝叶斯回归和弹性网正则化，实证结果显示在大规模特征集下，可有效提升横截面资产回报的预测性能及资产支付贴现因子的估计精度。理论部分建立投资者高维学习模型，揭示高维度学习误差对资产价格可预测性的影响，强调样本内预测不可直接推断风险溢价或行为偏差，促使关注样本外测试以分辨学习效应和其它因素。报告同时指出非线性及结构变迁的重要性，提出未来结合经济约束的机器学习方法研究方向，为资产定价理论和实务提供新视角与工具支持[page::14][page::44][page::66][page::119][page::131]
