機器學習與資產定價 Machine Learning in Asset Pricing

Stefan Nagel 是芝加哥大學布斯商學院Fama Family Distinguished Service金融學教授。他是Journal of Finance的執行主編，以及美國國家經濟研究局（NBER）、歐洲經濟政策研究中心（CEPR）和慕尼黑經濟研究中心（ CESIfo） 的研究員。
譯者簡介王熙，北京大學經濟學院研究員、助理教授、博士生導師；北京大學大數據分析與應用技術國家工程實驗室研究員；武漢大學學士，聖路易斯華盛頓大學碩士、博士；主要研究方向為資產定價、宏觀金融以及強化學習與機器學習的交叉學科應用。石川，北京量信投資管理有限公司創始合夥人；清華大學學士、碩士，麻省理工學院博士；因子投資中文版首著《因子投資：方法與實踐》領銜作者；知名期刊Computers in Industry編委會委員；曾就職Citigroup、Oracle及P&G。石川博士精通統計建模方法，擅長以金融數學分析為手段進行資產配置、風險管理、量化多因子模型以及衍生品CTA策略的開發。其主理的量化投資公眾號“川總寫量化”受到了學界和業界的高度認可。

第1 章引言1
1.1 實證資產定價中的特設稀疏性假設. . . . . . . . . . . . . . . . . . . . 3
1.2 理論資產定價中的特設稀疏性假設. . . . . . . . . . . . . . . . . . . . 5
1.3 機器學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 術語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 監督學習和無監督學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 本書的局限性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7 本書的結構. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

第2 章監督學習16
2.1 將監督學習視為函數逼近問題. . . . . . . . . . . . . . . . . . . . . . . 16
2.2 回歸方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 線性方法：嶺回歸和lasso . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 樹方法和隨機森林. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 神經網絡. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 超參數調優. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 貝葉斯解釋. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

第3 章資產定價中的監督學習46
3.1 例子：截面股票收益率預測. . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 預測性能評價. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 正則化與投資表現. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4 預期收益率與協方差的關聯. . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 通過構建投資組合估計協方差矩陣. . . . . . . . . . . . . . . . . . . . 82
3.6 非線性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.8 結構性變化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.9 結束語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

第4 章機器學習與截面資產定價97
4.1 基於公司特徵因子的資產定價. . . . . . . . . . . . . . . . . . . . . . . 100
4.2 監督學習視角. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1 收縮估計量. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2.2 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.3 數據驅動的超參選擇. . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3 實證分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.3.1 50 個異象特徵的實證結果. . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3.2 wrds 財務比例的實證結果. . . . . . . . . . . . . . . . . . . . . . . 123
4.3.3 特徵之間的交互作用. . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4 樣本外資產定價檢驗. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.5 相關最新研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.6 結束語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139

第5 章投資者信念形成的機器學習模型142
5.1 資產市場. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.1.1 投資者. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.1.2 定價. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.1.3 基於計量經濟學的觀測者視角. . . . . . . . . . . . . . . . . . . . . . 150
5.2 投資者學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
5.2.1 ols 學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.2.2 帶有信息先驗的貝葉斯學習. . . . . . . . . . . . . . . . . . . . . . . . 157
5.3 收益率可預測性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.1 樣本內收益率可預測性. . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.3.2 （不存在）樣本外收益率可預測性. . . . . . . . . . . . . . . . . . . 168
5.4 擴展研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.1 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.2 額外的收縮和稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.5 對實證研究的啟示. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.6 結束語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178

第6 章研究議程180
6.1 描述投資機會的特徵. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.1 機器學習的經濟學約束. . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.2 非線性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
6.1.3 結構性變化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.2 資產需求分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.1 需求系統估計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.2 預期的形成. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.3 機器學習的理論應用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.1 有限理性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.2 投資者的異質性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.4 結束語. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200

附錄a 部分公式推導201
參考文獻210
索引217