Jason Zhu

大白话：斯坦福大学管理科学与工程系学者，做深度学习资产定价；本 wiki 收录他与 Chen、Pelger 合著的《Deep Learning in Asset Pricing》——用无套利矩条件当神经网络的训练准则、用 GAN 挑出信息量最大的测试资产组合、用 LSTM 提取宏观隐状态，联合估计随机贴现因子（SDF）权重与风险暴露，样本外年化夏普 2.6、截面 R^2 23%。论文最反直觉的发现是：单独看任一特征，SDF 对它的依赖接近线性，需要非线性的只是特征之间的交互。

机构：Stanford University，Department of Management Science & Engineering（管理科学与工程系）。

研究领域: 资产定价模型、因子结构、机器学习在金融横截面中的应用。

在本 wiki 的论文

Chen-Pelger-Zhu 2021 — Deep Learning in Asset Pricing — 用无套利矩条件作为神经网络的训练准则，GAN 构造最有信息量的 test assets，LSTM 提取宏观隐状态，联合估计 SDF 权重 \omega 与风险暴露 \beta。样本外年化 Sharpe 2.6、截面 R^2 23%。见深度学习资产定价

方法论取向

论文最反直觉的结论是资产定价其实相当"线性"：单独看任何一个特征，SDF 对它的依赖接近线性——这解释了线性因子模型为何在单排序组合上一直好用。真正需要非线性的是多个特征之间的交互（规模 × 价值 × 短期反转的三维曲面）。

在方法层面，他主张用对抗的方法从无穷多个矩条件中挑出信息量最大的那些，而不是预先指定一组 test assets。论文还把这套隐状态时间序列公开发布，供后续资产定价模型作为输入。

相关的前作是 Bryzgalova-Pelger-Zhu (2020) 的 Forest Through the Trees: Building Cross-Sections of Stock Returns——用决策树构造横截面因子、用无套利论证做维度约简。