量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者，连续2年被腾讯云+社区评选为“年度最佳作者”。
今天的推荐来自AQR，是关于机器学习论文的推荐。从“实证资产定价”，到“金融领域如何有效的利用机器学习模型”，再到“如何更有效的进行策略测试”等。
一共五篇论文，每篇都是经典，都值得仔细阅读：文末附下载。
Empirical Asset Pricing via Machine Learning
本文研究了机器学习在实证资产定价的典型问题“度量资产风险溢价”的应用。在横截面和时间序列股票收益预测的情况下，我们对机器学习库中不同的模型的方法进行了比较分析，包括广义线性模型、降维、增强回归树、随机森林和神经网络。在最广泛的层面上，我们发现与传统方法相比，机器学习在资产定价的应用有着更好的效果。 本文建立的机器学习模型在样本外收益的预测给出了更高的R平方。在测试中确定树和神经网络的表现更佳，并跟踪它们的预测收益，以发现非线性预测的作用，这是其他传统方法所缺失的。最后，我们发现，所有的方法都同意动量，流动性和波动性的变化是影响资产定价的主要因素。通过机器学习改进的风险溢价测量可以简化对资产定价的经济机制的研究，并证明其在创新金融技术中日益增长的作用。  
Can Machines Learn Finance
本文是2020年Harry M. Markowitz Award得主。Harry M. Markowitz Award由The Journal of Investment Management和New Frontier Advisors联合发起，旨在支持未来在实际资产管理领域的研究和创新。获奖者是从The Journal of Investment Management 2020年发表的论文中选出的。  
资产管理中，机器学习面临着一系列独特的挑战，与机器学习擅长的其他领域明显不同。理解这些差异对于开发有效的方法和资产管理中机器学习的现实期望至关重要。我们讨论了各种有益的用例和潜在的陷阱，并强调了经济理论和专业知识在金融领域应用机器学习的重要性。  
Hedging Climate Change News
本文提出并实施一个动态对冲气候变化风险的程序。为了创建我们的对冲目标，我们通过对气候变化报道的高维数据进行文本分析。然后，我们使用基于大量股票的模拟投资组合方法来建立气候变化对冲投资组合。我们通过使用第三方的环境、社会和治理(ESG)，对数十家公司的气候风险暴露进行建模，来约束这种行为。研究表明，这种方法可以产生精简的、行业平衡的投资组合，在气候新闻的套期保值创新方面表现良好，无论是样本内还是样本外。由此产生的对冲组合优于主要基于行业倾向性的另类对冲策略。我们还讨论了未来通过金融方法研究气候风险的多个方向。  
Autoencoder Asset Pricing Models
本文提出了一种基于隐含因子的资产定价模型。与Kelly、Pruitt和Su (KPS, 2019)一样，我们的模型考虑了隐含因子和依赖于资产特征等协变量的因子暴露。但是，与KPS的线性假设不同，我们将因子暴露建模为一个柔性的非线性协变量函数。我们的模型改进了机器学习文献中的无监督降维方法，采用了Autoencoder进行降维，以融合来自协变量和回报本身的信息。这种方法能够提取隐含因子间的非线性信息。此外，我们的机器学习框架强加了无套利的限制。与其他主要因子模型相比，本文的模型提供的样本外定价误差要小得多。  
A Data Science Solution to the Multiple-Testing Crisis in Financial Research
策略研究中，研究人员进行多次分析测试时，但通常只报告最好的结果，这一结果比起单次测试更有可能是错误的。在统计文献中，这个问题被称为“多重检验下的选择偏差”(SBuMT)。解决SBuMT问题的关键在于揭示研究者丢弃的中间结果。有了这些信息，就有可能评估最佳结果实际上是错误的概率，这是多次测试的结果。在本文中，我们借助一个真实的例子，解释如何更有效地报告多个测试信息。我们利用这些信息来估计投资策略的Deflated Sharpe Ratio。  
论文下载方式
后台回复：AQR2022
继续阅读
阅读原文
关键词
模型
方法
机器学习
资产定价
结果