机器学习在金融资产价格预测和配置中的应用研究述评

发布时间：2020-12-29 13:27

　　通过梳理机器学习在资产价格预测及配置中的应用与研究进展,简要阐述了当前文献的特点及其不足。在此基础上,总结了当前研究中机器学习的主要应用框架及其适用性和局限性,进一步讨论应用机器学习算法进行资产价格预测和配置研究未来可能的研究趋势。研究表明:机器学习方法能够挖掘和利用金融数据中包含的与资产价格变动相关的信息,做出对未来资产价格的准确预测或可盈利的资产配置决策;机器学习算法与金融理论的结合是未来研究的一个重要方向。 

【文章来源】：管理学报. 2020年11期 北大核心CSSCI

【文章页数】：13 页

【部分图文】：

机器学习算法的一般流程 ?

对于应用传统机器学习算法的研究而言,输入特征往往是传统研究中常用的结构化数据。一方面,虽然传统机器学习算法同样能够处理经过特征提取的文本数据,但一般都用于分析投资者情绪[24, 25]并将其作为预测变量,很少直接用于资产价格预测,因此在本研究中未作深入讨论;另一方面,传统机器学习算法在自然语言处理任务中的性能,往往受限于自然语言本身的复杂性和歧义性,而深度学习算法从数据中提取特征的能力恰恰解决了这一问题[36],并在多个主要的自然语言处理任务中,表现出相对于传统方法的显著优势[46]。鉴于此,与上述机器学习算法的基本流程不同,已有文献在应用深度学习算法时,也将非结构化数据作为输入以直接预测未来资产价格。另外,深度学习所用的数据往往被重新表示为特定形式后再作为输入,以更好地发挥深度学习的性能[33, 34]。现有关于资产价格预测和配置的文献中深度学习的一般应用框架见图2,其中,虚线框部分省略了深度学习的一般流程,如前文所述,深度学习的一般流程与图1类似,但不含特征提取步骤,而是直接将其整合进了训练过程中。4.2 应用的适用性与局限性

【参考文献】：
期刊论文
[1]基于网络数据挖掘的资产定价研究述评[J]. 罗琦,游学敏,吕纤.  管理学报. 2020(01)
[2]深度学习的金融实证应用:动态、贡献与展望[J]. 苏治,卢曼,李德轩.  金融研究. 2017(05)
[3]ML-TEA:一套基于机器学习和技术分析的量化投资算法[J]. 李斌,林彦,唐闻轩.  系统工程理论与实践. 2017(05)
[4]基于EMD和SVMs的原油价格预测方法[J]. 杨云飞,鲍玉昆,胡忠义,张瑞.  管理学报. 2010(12)



本文编号：2945719