资产定价与机器学习

;

副标题：无;

作者: 吴轲;

内容简介：

​

序言

量化投资作为一种基于过往历史数据，挖掘资产收益率的统计规律来确定资产的购买和出售策略的投资管理模式，在资产管理行业的应用越来越广泛。截至2022年第二季度，在全球对冲基金管理规模排名前十的机构中，有七家为量化对冲基金。根据中国证券投资基金业协会发布的 《2021年私募基金统计分析简报》，2021年底我国前十大私募证券基金管理机构中，量化管理机构已占据五席。量化投资通常涉及大量数据的处理，包括股票价格、公司财务数据、宏观经济数据等，并通过统计和计算模型来发现并利用潜在的投资机会。

近些年，随着金融资产定价学科的不断进步，实证研究发现了越来越多能预测股票收益率的变量。然而，金融数据的低信号噪声比特性使得传统统计方法在从众多预测变量中发掘最有效的投资策略时面临困难。这就是机器学习技术被广泛应用的原因，因为它可以处理大量的数据并识别出复杂的、非线性的预测关系。因此，无论是在学术研究领域，还是在量化投资业界，机器学习都开始得到广泛的应用。

然而，相较于投资管理行业，金融学术研究对机器学习方法的研究相对滞后。记得2013年我在埃默里大学读博士的时候，我的校外导师、圣路易斯华盛顿大学的周国富教授和他的合作者在金融学顶级学术期刊上发表了一篇开创性的论文。他们使用了LASSO方法（一种流行的机器学习降维技术）从大量的候选变量中筛选出有效的预测变量，用于预测全球股票市场的收益率（Rapach，Strauss，and Zhou，2013）。2015年，我在博士论文中采用了非参数核密度估计法（广义上属于非线性的机器学习算法），以更精确地测量股票收益率与市场收益率间的联动不对称性。当时，使用复杂统计方法的研究在金融学顶级学术期刊上仍相对较少。直到2020年和2021年，顶级学术期刊《金融研究评论》（Review of Financial Studies）发布了两

目录预览：

​ 资产定价与机器学习
序言
第一章
导论
1.1 资产定价的研究背景
1.2 本书的结构
1.3 本书的特点和局限性
第二章
资产定价中的机器学习方法
2.1 机器学习的定义和主要类别
2.2 机器学习方法介绍
第三章
投资组合优化
3.1 马科维茨投资组合
3.2 参数化投资组合优化
3.3 最优投资组合与随机贴现因子等价性
3.4 基于收缩估计方法的投资组合优化
3.5 神经网络
3.6 基于全子集回归的组合优化
3.7 实证分析
3.8 小结
第三章附录
第四章
随机贴现因子模型中的定价因子识别
4.1 随机贴现因子
4.2 双重选择LASSO算法识别因子
4.3 自纠偏机器学习法识别因子
4.4 小结
第四章附录
第五章
资产收益率样本外预测
5.1 样本外预测方法
5.2 数据和单变量投资组合构造
5.3 实证结果
5.4 信息汇总方法和稳健性检验
........