上海財經大學商學院 - 量化方法與數據分析系列講座第十三期舉行－鑽石舞台

6月10日，由上海市數據科技與決策前沿科學研究基地，商務分析研究中心，上海財經大學商學院主辦的「量化方法與數據分析講座系列」（Quantitative Methods and Data Analytics Seminar Series，QMDA）第13期在線上如期舉行。來自武漢大學的李斌老師受邀做了主題為「Real-time Machine Learning for the Cross-Section of Stock Returns: Evidence from Fundamental Signals」的精彩學術講座。本次講座由上海財經大學商學院王文斌教授和謝天副教授主持。

本文詳細研究了近期較為流行的機器學習算法，在預測股票收益率方面的實際表現。

文章對已有文獻進行回顧時發現，基於機器學習的投資策略的強勁表現，多數來源於這些策略使用「事後發現」（discovered ex-post）的解釋變量作為股票收益率的預測因子。因此，這些交易策略大多無法真正在現實中即時施行。

本文從實際操作角度，從海量的基礎公司財務數據中重新構架了大量的解釋變量（18000+）。並以此為基礎，構建了機器學習交易策略。與文獻中大部分策略不同，本文提出的交易策略可以在現實中即時實施。

實證研究中，文章採用了和Gu, Kelly, Xiu (2020)一文中相同的數據，對NASDAQ股票的回報率進行了預測。結果發現，在以能夠即時操作為前提的要求下，從樣本內擬合到樣本外預測精度，目前火爆的機器學習方法的表現都有顯著下降（當然，還是遠遠強於傳統線性回歸方法）。文章這一結論，有效地支持了 Martin 和 Nagel (2021) 的論點，即樣本內表現優異往往容易導致樣本外表現糟糕。