【2023新书】金融机器学习，159页pdf

我们调研了有关利用机器学习研究金融市场的新兴文献。我们强调了这个研究领域最好的例子，并为未来的研究推荐了有前景的方向。这个调研旨在服务于两种人群：一是对掌握机器学习工具感兴趣的金融经济学家；二是寻求有趣的金融背景以部署先进方法的统计学家和机器学习者。

我们试图覆盖关于金融机器学习的蓬勃发展的文献。我们工作的主要目标是帮助读者认识到机器学习是理解金融市场现象的必不可少的工具。我们强调了迄今为止最受研究关注的领域，包括回报预测、风险和回报的因子模型、随机贴现因子以及投资组合选择。遗憾的是，这次调查的范围迫使我们限制或省略了一些重要的金融机器学习主题的报道。一个受益于机器学习方法但被省略的主题是风险建模。这包括条件方差和协方差的模型，特别是高维协方差矩阵的建模。有大量的文献使用机器学习方法来改善协方差矩阵的估计，进而改善优化投资组合的表现。与风险建模密切相关的主题是衍生品定价。事实上，一些在金融领域应用神经网络的最早实例与期权定价和隐含波动率曲面有关。在衍生品研究中，机器学习或非参数模型的突出例子包括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。

至今为止，大部分的研究工作都涉及使用机器学习来提高预测任务的表现。这只是冰山一角。下一代金融机器学习分析的一个关键方向是更好地揭示经济机制和均衡。另一个方向是使用机器学习方法来解决复杂且高度非线性的结构模型。另外，由技术变革和不断变化的监管环境塑造的经济和市场的演变性，给经济学家提出了建模结构性变化的挑战。一个激动人心的潜在研究方向是利用机器学习提供的灵活模型近似，以更好地检测和适应结构性转变。虽然这次调查主要关注金融的资产定价方面，但机器学习也在其他领域如公司金融、创业、家庭金融和房地产中取得了突破。例如，Hu和Ma (2020) 使用机器学习技术来处理有抱负的创业者的视频演讲，以测试演讲者的说服力在早期融资成功中的作用。Li等人(2021)利用收益电话会议的文本分析来量化企业文化及其对公司结果的影响。Lyonnet和Stern (2022) 使用机器学习研究风险投资人如何做出投资决策。Erel等人 (2021) 提供证据，机器学习算法可以帮助公司避免错误的企业董事选择。Fuster等人 (2022)量化了机器学习算法在抵押贷款市场中的均衡影响。虽然机器学习在资产定价中的应用更为广泛，但其在公司金融问题上的进一步应用是未来研究的一个令人兴奋的领域。