JFE-机器学习预测股票走势-28页_1mb

总结

这篇论文题为"**, **为题，检验了

研究目的

作者测试了弱式效合理论，通过使用机器学习技术预测历史收益率可以预测未来跨期股票收益。

主要贡献

• 利用机器学习技术（Deep Learning）比较了标准化的股票连续收益率（早期的一种技术分析方法），发现它能够非常强地预测未来收益
• 证明了历史价格模式与未来收益率之间具有稳定、复杂的非线性关系
• 历史模式预测能力仅部分与动量和反转效应等相关，但更大部分无关
• ML预测业绩是持续的

研究方法

• 使用CRSP数据（1927-2022年）
• 训练数据（1927-1963年）选择CNN-LSTM模型
• 测试期为（1963-2022年）
• 预测标准化市值调整后超额收益率
• 投资组合分析结果表明有显著正收益

结论

ML模型能提供与动量、反转、图表相关指标显著不同的预测能力，这一发现与现实投资中技术分析的有效性相符并且解决问题

以下是中文总结模板供参照：

• 稳态特性与模型选择：实验表明预测关系较为稳定，但预测函数内含显著的非线性与交互项成分。模型优化过程效果显著，尽管随机性使得结果不够确定
• 预测效能：基于ML的预测函数可明显高于基准预测能力，平均组合投资收益约为1.08%/月（统计显著），且即使排除动量、反转、图表特征也能保持大部预测能力
• 稳健性：预测能力在不同亚样本时期中均存在，尤其是在后期仍有较强能力。在大盘股票中仍能取得0.72%/月（显著4.37统计值）
• 图表依据：发现了一些与传统动量和反转无关的图表特征，表明学习到的价格模式独特
• 多因素对比：其预测能力难以被传统图表信号或深学习图像分析方法（如用卷积神经网络处理K线图）所解释

总之，论文提供了对弱式效率理论的有力反例，表明技术分析的实证由于深度学习的复杂捕捉能力而具有较高预测价值，同时也揭示了历史数据中隐藏的重大预测模式