耶鲁&芝大新书“金融机器学习”

来源：计量经济圈

23年7月份耶鲁大学和芝加哥大学学者就联合推出了“金融机器学习”一书。

本书对于金融市场中利用机器学习进行研究的新兴文献进行了调研，重点强调了该研究领域的最佳实践，并为未来的研究提出了有潜力的方向。这项调研旨在为两类读者提供服务：一是对于掌握机器学习工具感兴趣的金融经济学家，二是寻求在金融背景下应用先进方法的统计学家和机器学习者。

Kelly, Bryan T. and Xiu, Dacheng, Financial Machine Learning (July 1, 2023)

We survey the nascent literature on machine learning in the study of financial markets. We highlight the best examples of what this line of research has to offer and recommend promising directions for future research. This survey is designed for both financial economists interested in grasping machine learning tools, as well as for statisticians and machine learners seeking interesting financial contexts where advanced methods may be deployed.

本书旨在综述关于金融机器学习的蓬勃发展文献，帮助读者认识到机器学习作为理解金融市场现象不可或缺的工具。重点强调了迄今为止备受研究关注的领域，包括回报预测、风险与回报的因子模型、随机贴现因子和投资组合选择。然而，由于调查范围的限制，我们不得不在本书中遗憾地省略了一些重要的金融机器学习主题的报道。

其中一个被省略的主题是风险建模，它涉及条件方差和协方差模型，特别是对高维协方差矩阵的建模。许多文献利用机器学习方法来改善协方差矩阵的估计，从而提高投资组合优化的表现。与风险建模密切相关的是衍生品定价的研究。实际上，一些最早将神经网络应用于金融领域的例子与期权定价和隐含波动率曲面有关。在衍生品研究中，机器学习和非参数模型的典型案例包括Ait-Sahalia和Lo (1998)、Ait-Sahalia和Lo (2000)、Anders等人 (1998)、Rosenberg和Engle (2002)、Bollerslev和Todorov (2011)以及Israelov和Kelly (2017)等。虽然本书主要关注金融资产定价领域，但机器学习在其他领域，如企业金融、创业、家庭金融和房地产等方面也取得了突破性进展。

迄今为止，机器学习在金融研究中主要用于提高预测任务的准确性，但这只是众多应用领域中的冰山一角。下一代金融机器学习的关键方向之一是更好地揭示经济机制和市场均衡。另一个重要方向是利用机器学习方法解决复杂且高度非线性的结构模型。此外，随着技术变革和不断变化的监管环境塑造着经济和市场的演变，经济学家面临着建模结构性变化的挑战。其中一个令人振奋的潜在研究方向是利用机器学习提供的灵活模型逼近，以更好地检测和适应结构性转变。尽管本次调查主要关注金融资产定价领域，但机器学习在其他领域，如企业金融、创业、家庭金融和房地产等方面也取得了突破性进展。

转自：“经管学苑”微信公众号

如有侵权，请联系本站删除！