海外文献推荐系列之一百五十六：西学东渐-20231012-兴业证券-33页_3mb

机器学习模型在交易限制下预测股票收益的有效性分析

核心内容

本文探讨了机器学习模型在纳入实际交易限制后是否仍然能够有效预测股票收益率。研究采用了两种成熟的深度学习方法，即GKX中的NN3模型和CPZ方法，分别在四个子样本空间中进行训练和测试，评估模型在交易限制下的表现。同时，从两个角度解析了机器学习方法的经济学依据，包括其与市场异象的相似性以及在选股和行业轮动中的表现差异。

主要观点

• 机器学习模型在交易限制下效果减弱：在纳入市值加权、剔除微盘股、剔除没有信用评级覆盖的公司以及剔除财务困境公司的子样本中，机器学习模型的预测效果显著下降。
• 高换手率影响收益：机器学习方法通常具有较高的换手率，这在考虑交易成本后会导致收益明显下降。
• 与市场异象相似：基于深度学习信号构建的多头组合与大多数基于异象构建的多头组合相似，具有低价格、低贝塔值、低短期收益率、高中期收益率等特征。
• 更适合选股而非行业轮动：机器学习方法在行业内选股中表现优于行业轮动，说明其更适用于选股领域。
• 市场状态敏感：在投资者情绪高涨、市场波动性大和流动性低的时期，基于机器学习信号的投资策略盈利能力更强。
• 在市场危机中表现良好：机器学习方法在市场低迷时期能有效降低下行风险并提供对冲，如在1987年市场崩溃等时期表现优于市场整体。

关键信息

1. 模型与方法

• NN3模型：采用三个隐藏层的前馈神经网络，使用批量归一化和Lasso惩罚。
• CPZ方法：结合了前馈网络和LSTM网络，使用对抗方法估计随机贴现因子（SDF）和股票风险负载。
• KNS方法：采用Ridge Regression来估计SDF，以最小化Hansen-Jagannathan距离。

2. 数据与样本

• 样本时间范围：1987年至2017年。
• 数据来源：CRSP和COMPUSTAT数据库。
• 预测因子：包括94个公司特征和8个宏观经济预测因子，以及它们的交互项（共920个预测因子）。
• 子样本：
  • 全样本
  • 排除微盘股
  • 有信用评级
  • 剔除信用评级下调的公司

3. 实证结果

• 全样本：
  • 等权多空组合每月收益率为2.47%（t=9.03），风险调整后为2.25%。
  • 市值加权多空组合每月收益率为1.56%（t=4.53），风险调整后为0.77%。
• 剔除微盘股：
  • 等权多空组合每月收益率为1.24%（t=5.35），风险调整后为0.38%。
  • 市值加权多空组合每月收益率为1.05%，风险调整后不显著。
• 有信用评级：
  • 等权多空组合每月收益率为1.37%（t=4.08），风险调整后为0.67%。
• 剔除信用评级下调：
  • 等权多空组合每月收益率为0.67%，风险调整后不显著。

4. 经济学依据

• 与异象相似：机器学习信号构建的多头组合与基于异象的组合具有相似特征，如小盘股、价值股、非流动性股票等。
• 选股优于行业轮动：机器学习方法在行业内选股中表现优于行业轮动，说明其更适合选股而非行业轮动。
• 市场状态敏感性：在高情绪、高波动性和低流动性时期，机器学习方法表现更佳。
• 风险调整后收益：在考虑交易成本后，机器学习模型的风险调整后收益显著下降。

结论

本文首次系统地研究了机器学习模型在纳入交易限制后的有效性，发现其在实际交易限制下效果显著下降。尽管如此，机器学习信号在市场异常时期仍能提供显著的收益，并在选股领域表现出色。此外，机器学习模型的经济学依据也得到了支持，其识别的股票特征与市场异象一致，且在风险调整后收益方面具有一定的稳健性。因此，机器学习方法在资产管理中仍具有应用价值，尤其是在市场危机时期，能够有效对冲风险并提供超额收益。