剖析动力：我们需要更深入-研究论文

过去价格或动量对回报的横截面可预测性是一个持久的市场异常现象。 先前的研究报告了多种衡量动量的方法，并建立了多种预测其表现的因素。 新兴的机器学习资产定价文献进一步将基于价格的公司特征确定为回报的主要预测因素。 我在深度学习框架中研究了一系列基于价格的广泛变量在不同时间范围内的预测能力，并记录了这些变量对美国股票市场预期回报影响的丰富非线性结构。 影响的大小和符号表现出显着的时间变化，并受变量之间的相互作用影响。 预期回报的非线性程度随时间变化，在陷入困境的市场中最高。 结合有关时变、市场状态相关动量风险和动量崩盘的文献见解有助于提高神经网络投资组合的样本外表现，尤其是在下行风险方面——基于深度预测的投资策略学习模型积极利用非线性和相互作用效应，产生具有稳健风险状况的高且统计上显着的回报，其表现几乎与既定的风险因素（包括动量）无关。 最后，我提出了采用自动超参数优化技术作为金融机器学习学科研究的重要组成部分的案例。