资产定价与机器学习.docxVIP

资产定价

与机器学习

目录

TOC\h\h第一章导论

\h1.1资产定价的研究背景

\h1.2本书的结构

\h1.3本书的特点和局限性

\h第二章资产定价中的机器学习方法

\h2.1机器学习的定义和主要类别

\h2.2机器学习方法介绍

\h第三章投资组合优化

\h3.1马科维茨投资组合

\h3.2参数化投资组合优化

\h3.3最优投资组合与随机贴现因子等价性

\h3.4基于收缩估计方法的投资组合优化

\h3.5神经网络

\h3.6基于全子集回归的组合优化

\h3.7实证分析

\h3.8小结

\h第三章附录

\h第四章随机贴现因子模型中的定价因子识别

\h4.1随机贴现因子

\h4.2双重选择LASSO算法识别因子

\h4.3自纠偏机器学习法识别因子

\h4.4小结

\h第四章附录

\h第五章资产收益率样本外预测

\h5.1样本外预测方法

\h5.2数据和单变量投资组合构造

\h5.3实证结果

\h5.4信息汇总方法和稳健性检验

\h5.5小结

\h第五章附录

第一章

导论

1.1资产定价的研究背景

Markowitz（1952）提出了经典的均值方差投资组合优化理论，系统地分析了如何利用资产收益率的统计特征，即均值和方差，来优化投资组合配置，为现代金融学的研究奠定了基础。基于均值方差理论构建的投资组合有效边界，Sharpe（1964）和Lintner（1965）在考虑无风险资产和市场均衡概念后，提出了资本资产定价模型（capitalassetpricingmodel，CAPM），为资产预期收益率与其系统性风险敞口（beta）确立了经典的线性因子模型关系。Fama（1970）提出了有效市场假说，尽管双重检验问题使得有效市场假说难以被精确检验，但它作为评价金融市场定价效率的重要参照系，为进一步研究资产收益率的预测变量和构建因子定价模型提供了理论基础。

如果金融市场是信息有效的，那么资产的收益率应该是不可预测的。如果发现了可以预测股票收益率的变量，这就意味着该变量衡量了资产对某种系统性风险的敞口。在调整资产的系统性风险溢价后，不应存在额外的异常收益率。那些经因子模型调整后仍显著的预测变量被称为市场异象。在有效市场假说被提出之后，资本资产定价模型自然成了最早被广泛检验的因子定价模型。

随着市值效应、价值效应等不能被CAPM解释的市场异象在20世纪80年代陆续被发现，Fama和French（1993）在CAPM的基础上加入了市值因子和价值因子，提出了著名的Fama-French三因子模型。在那个时代，三因子模型可以解释除了动量效应以外几乎全部已知的市场异象。随后资产定价研究领域也开启了发掘检验可预测资产收益率的新变量与开发升级新因子定价模型的“竞赛”。

随着信息收集分析技术手段的进步，越来越多基于公司财务报表、经营公告的基本面数据，高频的股票历史交易数据以及基于机器学习深度文本分析挖掘产生的公司层面、投资者层面和宏观经济层面的变量被发现可以有效预测风险资产的预期收益率。仅考虑公司层面，迄今的资产定价文献已提出了数以百计的具有显著预测能力的公司特征变量。Harvey，Liu和Zhu（2016）统计了1967—2012年发表在国际顶尖金融期刊的论文中涉及的预测指标，发现有316个指标被实证检验具有重要影响，并且指标数量以接近平均每年18个的速度增长。Mclean和Pontiff（2016）在研究了金融、经济以及会计学顶尖期刊论文中涉及的97个横截面股票收益率预测指标后，发现部分指标的预测效果来自数据挖掘，平均而言，这些指标的多空组合收益在样本外下降了26%，在文章发表后下降了58%。Hou，Xue和Zhang（2020）检验了文献中452个市场异象后，发现即使剔除流动性较差的小市值股票，仍然有161个变量是统计显著的。

相应的因子定价模型也在发展演进，Fama和French（2018）在Fama-French三因子模型的基础上加入了盈利因子、投资因子和动量因子，提出了Fama-French六因子模型。Hou等（2019）则提出了包含市场因子、市值因子、投资因子、盈利因子和预期投资增长因子的Q5因子模型。尽管这两个必威体育精装版提出的多因子模型在众多因子模型中对市场异象的解释能力最强，但依然存在较多的市场异象无法被解释。

时任美国金融学会主席的约翰·科克伦（JohnCochrane）教授在2011年的学会主旨演讲中将数量众多的收益率预测指标称为“因子动物园”，并提出问题：“究竟哪些变量能独立解释股票预期收