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

本書從資產定價的核心問題出發，前沿而體系化地討論瞭如何通過經濟學推理將機器學習方法引入實證和理論資產定價研究之中，從而有效解決機器學習應用在資產定價中所面臨的挑戰，搭建了研究機器學習與資產定價的橋梁。

為提升閱讀體驗，幫助讀者充分理解書中內容，譯者王熙教授與石川博士在行文中加入了精彩豐富的譯者註，給原著提供必要的背景知識，從而幫助讀者更好地掌握書中的行文邏輯。

其中，為本書補充的諸多公式推導過程也能幫助讀者加深對貝葉斯統計框架的理解。

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