基于机器学习的实证资产定价研究——以欧洲股市为例

简介：
本研究运用机器学习方法探讨欧洲股市中的资产定价问题，旨在发现并验证影响股票收益的新因子，为投资者提供决策支持。 本段落评估了机器学习方法在预测股票收益方面的表现，并发现与线性基准模型相比，交互作用和非线性效应能够提高预测性能。然而，为了克服高维问题并避免过度拟合，需要对机器学习模型进行充分的训练和调整。研究还指出，在所有使用的机器学习方法中，基于价格趋势和估值比率的基本信号是最重要的预测指标之一。 尽管这些模型在统计表现上存在差异，但这种差异转化为经济盈利能力上的显著区别。多头交易策略的回报率及风险评估表明，相较于基准模型，使用机器学习模型可以获取可观收益。即使考虑了调整后的风险与交易成本因素后，神经网络仍然表现出色；然而，在基于分类的投资组合形成中利用支持向量机避免估计股票级别的预期回报时，其表现甚至优于神经网络架构。