20220102_龙真_论文展示1

这篇论文讨论的主题是大数据时代下的市场效率，作者是Ian Martin和Stefan Nagel，由Long Zhen在2022年1月13日进行了介绍。文章主要关注的是在金融资产定价和市场效率的传统理论中，投资者通常被假设为具有理性预期，即他们能准确地知道模型参数，并且认为市场回报的可预测性源于风险溢价或定价错误。然而，随着技术的进步，可用于估值的相关预测变量大幅增加，这导致了高维度的预测问题。 在大数据环境中，投资者学习模型参数的能力增强，导致在样本内（in-sample）出现了预测能力。然而，这对于外样本（out-of-sample）测试提出了挑战。在样本内测试利用整个时间段的数据，假设投资者已经完全了解模型参数，而在样本外测试则只使用当时的可用数据来构建基于股票回报预测的投资组合。在高维度情况下，由于能够事后看到数据实现，样本内测试具有显著优势。但如果没有固定的生成过程，样本内和样本外测试则检验不同的假设，强调了外样本测试的重要性。 论文进一步将经济参与者模型化为机器学习者。在高维度预测中，机器学习表现出色，通过正则化处理来控制过拟合。从贝叶斯解释的角度，基于经济考量，某些参数的后验信念会被收缩至接近零，这有助于保持模型的简洁性和解释性。 相关的文献回顾包括Al-Najjar（2009）的研究，该研究在非贝叶斯的高维度背景下关注不同经济主体之间的观点分歧；以及Klein（2019）的工作，他探讨了机器学习在产品市场定价中的战略互动。 这篇论文探讨了大数据如何改变我们对市场效率的理解，特别是在预测模型的构建和验证方面。它强调了在大数据环境下，外样本测试的必要性和机器学习方法在处理高维度预测问题时的有效性。同时，它还提出了一个经济参与者作为学习者的框架，用以理解参数估计和模型选择的过程。这些概念对于理解和改进金融市场分析，尤其是在投资策略和风险管理方面具有重要意义。