演讲者：修大成教授，芝加哥大学布斯商学院，美国国家经济研究局研究学者
此次会议由清华大学孵化的学说平台主办，康奈尔大学商学院金融科技中心提供学术支持。研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学终身教授及《Management Science》金融主编䕺林（丛林），与清华大学五道口金融学院副院长、金融学讲席教授张晓燕组成。
本次会议共收到超过300位国内外的老师、学生以及业界人士的热情申请，最终共有约200位来自103所高校的师生和数位业界人士同时在线上和线下参会，并有18篇论文在本次会议上进行展示。
在2024数字金融暑期学术研讨会上，修大成教授全面回顾了金融机器学习的发展历程、最新突破及其面临的挑战。
金融机器学习:
崛起、突破与局限性
修大成：芝加哥大学布斯商学院计量经济学和统计学教授。在《Econometrica》, 《Journal of Political Economy》, 《Journal of Finance》, 《Review of Financial Studies》, 《Journal of the American Statistical Association》, 以及《Annals of Statistics》上发表了多篇论文，他是《Journal of Financial Econometrics》的共同主编, 《Review of Financial Studies》, 《Journal of the American Statistical Association》, 《Management Science》, 《Journal of Econometrics》, 《The Econometrics Journal》, 以及《Review of Asset Pricing Studies》的副主编。获得了多项荣誉，包括金融计量经济协会会士、《Journal of Econometrics》会士、瑞士金融学院杰出论文奖、AQR Insight Award和欧洲金融协会年会最佳会议论文等。还入选了Poets & Quants发布的2023年全球40位40岁以下最佳MBA教授名单。目前的研究重点是设计机器学习方法来解决资产定价领域的大数据问题。
线上&线下参会人员扫描二维码（或点击“阅读原文”）
即可观看演讲视频回放
修教授首先阐述了机器学习在金融领域应用的必要性。他指出，由于金融数据的高维度性和潜在的复杂非线性关系，传统方法往往难以充分捕捉其中的模式。机器学习技术恰好能够应对这些挑战，特别是在处理大量解释变量、未知的复杂函数形式等问题时表现出色。
修教授介绍了"Empirical Asset Pricing via Machine Learning"（Gu, Kelly, and Xiu, RFS 2020）这项研究。该研究使用多种机器学习方法（如弹性网络、随机森林、神经网络等）预测个股收益率，并与传统方法进行了比较。结果显示，机器学习方法在预测表现和投资组合构建方面都优于传统方法。
修教授讨论了"(Re-)Imag(in)ing Price Trends"（Jiang, Kelly, and Xiu, JF 2023）这项研究。该研究利用卷积神经网络(CNN)从股票价格图表中提取信息进行预测，证明了计算机视觉技术在金融预测中的潜力。这种方法能够捕捉到人类技术分析师可能识别的复杂模式。
修教授介绍了"Expected Returns and Large Language Models"（Chen, Kelly, and Xiu, 2023）的最新研究。该研究应用大语言模型(LLM)分析新闻文本，展示了其在捕捉市场情绪方面相对于传统词袋模型的优越性。LLM能够更好地理解语境和语义，从而提供更准确的情绪预测。
修教授讨论了"Autoencoder Asset Pricing Models"（Gu, Kelly, and Xiu, JoE 2023）这项研究。该模型有效地将预期收益分解为风险补偿和定价误差两部分，为理解资产定价提供了新的视角。
修教授还介绍了一系列处理资产定价异常现象、估计风险溢价的研究，如"Taming the Factor Zoo"（Feng, Giglio, and Xiu, JF 2020）和"Asset Pricing with Omitted Factors"（Giglio and Xiu, JPE 2021）等。这些研究展示了机器学习在解决传统金融问题上的新应用。
最后，修教授强调了金融机器学习面临的挑战：
在"The Statistical Limit of Arbitrage"（Da, Nagel, and Xiu, WP 2023）中，研究表明由于学习过程的存在，机器学习策略的实际收益可能低于预期。
在"Can Machines Learn Weak Signals?"（Shen and Xiu, WP 2024）中，研究探讨了在信噪比低的金融环境中，机器学习方法可能难以捕捉到微弱信号的问题。
修教授的演讲不仅全面介绍了金融机器学习的最新进展，也深入探讨了该领域面临的理论和实践挑战，为与会者提供了宝贵的研究思路和未来方向。
