Gu, Kelly & Xiu (2020) — "Empirical Asset Pricing via Machine Learning"

大白话：Review of Financial Studies, 33(5), 2223–2273。本页基于 NBER WP 25398（2018-12 首发，2019-09 修订）。系统比较 10 余种机器学习方法在测量股票截面风险溢价这一经典问题上的表现。

引用

Gu, S., Kelly, B., & Xiu, D. (2020). "Empirical Asset Pricing via Machine Learning." Review of Financial Studies, 33(5), 2223–2273. 工作论文：NBER WP 25398。

数据

1957–2016 年，近 30,000 只美股
94 个公司特征 + 与 8 个宏观序列的交互 + 74 个行业虚拟变量 = 900+ 个预测信号

关键数字

月度样本外 R^2（个股截面）：

方法	R^2
OLS（900+ 变量）	深负（崩溃）
Elastic Net	0.11%
PCR	0.26%
PLS	0.27%
广义线性（样条，无交互）	未稳健超越线性
树 / 神经网络	0.33% – 0.40%
（基准三特征 OLS）	0.16%

月度样本外 R^2（S&P 500，自下而上聚合）：

方法	R^2
基准三特征 OLS	-0.22\%
广义线性模型	0.71%
树 / 神经网络	1.08% – 1.80%

年化样本外夏普：

策略	夏普
买入持有 S&P 500	0.51
神经网络择时 S&P 500	0.77
多空十分位（价值加权）OLS 基准	0.61
多空十分位（价值加权）神经网络	1.35
多空十分位（等权）神经网络	2.45

模型结构：神经网络在三个隐藏层达峰，更深则下降；提升树/随机森林平均选不到六叶的树。

三个最重要的洞见

非线性的价值来自交互，不是变换。 GLM 用样条给单个变量加非线性但不加交互，无法稳健超越线性；树与网络能捕捉交互，明显更好。
组合层面预测力远强于个股层面。 最小最不流动个股的收益无序，聚合后噪声被平均掉。
浅学习胜出。 数据量小、信噪比极低，与深度学习擅长的场景（大数据 + 强信号）相反。

最重要的预测变量（所有模型一致）

价格趋势：短期反转 mom1m、个股动量 mom12m、动量变化 chmom、行业动量 indmom、近期最大收益 maxret、长期反转 mom36m
流动性：换手率、换手率波动、对数市值、成交额、Amihud 非流动性、零成交天数、买卖价差
风险：总波动率、特质波动率、市场 \beta、\beta^2
估值/基本面：盈利价格比、销售价格比、资产增长、盈利增加次数

两种重要性度量（R^2 削减 vs SSD）的相关系数 84.0%–97.7%。

论文的自我限定

机器学习只是测量，不识别经济机制或均衡。要理解机制，仍需经济学家把假设的机制写进估计问题，再让 ML 在该结构下运行（Kelly et al. 2019；Feng et al. 2019）。