Predicting Company Growth using Scaling Theory Informed Machine Learning
创建于 更新于
摘要
本文提出STIML（Scaling-Theory-Informed Machine Learning）框架：先用基于规模律的机制性增长模型（GM）刻画公司财务指标的平均趋势，再用机器学习建模残差以捕捉结构性波动，实验（Compustat 1950–2019，31,553家公司）显示STIML在16项指标上整体优于纯GM与纯ML，平均比GM提升约23%、比ML提升约5%，且模型揭示大公司以趋势为主、小公司以波动为主的可预测性分治结构以及残差负偏下的可学习信息。[page::0]
