《Empirical Asset Pricing via Machine Learning》这篇论文探讨了如何运用深度学习和机器学习技术来提升金融资产定价的实证研究。作者包括Shihao Gu、Bryan Kelly和Dacheng Xiu，他们分别来自芝加哥大学布斯商学院和耶鲁大学等机构。论文的最新版本发布于2018年11月20日。
该研究的核心在于将机器学习方法应用于传统的实证资产定价问题——衡量资产风险溢价。在交叉截面和时间序列股票回报预测的典型环境中，论文对比分析了机器学习工具箱中的多种方法，如广义线性模型、降维、提升回归树、随机森林以及神经网络。总体而言，研究发现机器学习能更准确地描述预期回报行为，相比传统预测方法有显著优势。
具体来说，作者通过实施这些方法建立了衡量风险溢价的新标准，实现了前所未有的样本外回报预测R²准确性。他们发现，提升回归树和神经网络是表现最佳的方法，其预测增益主要归因于能够捕捉非线性预测因素之间的交互效应，这是其他方法无法做到的。此外，所有方法都一致认为，动量、流动性和波动率是最重要的预测信号。
通过机器学习改进风险溢价的测量，不仅能使我们更深入地研究资产定价的经济机制，还为创新金融技术的发展提供了合理依据。关键词涵盖了机器学习、大数据、回报预测、股票回报的交叉截面、岭回归、组Lasso、弹性网络、随机森林、梯度提升、（深度）神经网络以及金融科技。
这篇论文对于金融领域的研究者和实践者具有重要价值，它揭示了如何利用先进的数据分析技术提高投资决策的精度和理解资产价格动态的能力。通过机器学习，投资者可以更有效地识别和利用市场的非有效特征，从而优化投资组合并降低风险。同时，这些技术的进步也为金融监管、市场微观结构研究以及风险管理等领域提供了新的研究途径。
