2024年5月20日下午，国际投资研究课堂第六小组成员宁宇航、杨依依、张丽丽、曹雷贤、李佳艳、向思萌、李佳曦于中南财经政法大学文澴楼413教室进行了关于文章《Empirical Asset Pricing via Machine Learning》的分享汇报。
首先，宁宇航同学对文章的整体结构进行了梳理和概括。文章主要是使用机器学习算法对实证资产定价的典型问题：衡量资产风险溢价进行比较分析。在引言部分，她展示了文章主要贡献、机器学习的定义、将机器学习应用于资产定价的原因、模型研究方法、本文主要的实证结果、机器学习模型存在的潜在缺陷以及文献综述部分。
其次，方法论部分由曹雷贤同学进行分享。详细介绍了各种机器学习的方法。本文先进行样本划分来调优超参数。曹雷贤同学介绍了加性预测误差模型，并结合简单线性模型重新定义了资产超额收益公式。由于金融数据频繁出现的异常值，所以选择了Huber损失函数来量化误差。作者定义了R方指标来衡量预测收益率与实际收益率的差距，使用修正的Diebold-Mariano检验统计量来衡量各种方法。同时考虑了各种变量的重要性和边际关系。
然后，李佳曦同学分享实证过程。作者使用了纽约证券交易所、美国证券交易所和纳斯达克上市的所有公司1957年3月-2016年12月的月度总个股回报。基于欧拉方程的标准贝塔定价建立了本文的总体模型，同时使用13种模型对样本进行训练，并使用指标R方来衡量拟合效果，发现机器学习模型能够隔离在商业周期频率上持续存在的风险溢价。在进行Diebold-Mariano检验后，发现神经网络与线性和广义线性模型相比是唯一能够产生巨大而显著的统计改进的模型。计算每个预测变量基于R方的重要性度量，结果显示总账面市值比是关键性指标。同时线性模型发现，收益与规模或波动性之间没有预测关联。作者展示了单个预测变量对预期收益的边际影响，机器学习模型中预测变量之间的交互作用以及其对预测结果的影响。接下来，在投资组合预测部分探讨了机器学习方法在投资组合收益率预测方面的应用，并对不同模型的预测能力进行了比较分析。
最后，李佳曦同学汇报了文章的主要发现：1.机器学习方法可以提高对资产价格的理解；2.非线性交互作用是关键；3.浅层学习优于深层学习；4.机器学习方法在构建投资组合方面具有价值。并且，对机器学习方法在资产定价中的应用进行了展望。
