Gu, Kelly & Xiu —「Empirical Asset Pricing via Machine Learning」
一句话：用 94 个特征 + 900 多个预测信号，机器学习把股票截面收益的样本外 R^2 从 0.16% 提到 0.40%，多空组合年化夏普从 0.61 提到 1.35——非线性交互是收益提升的来源，而不是更多的特征。
版本说明：本页基于 NBER Working Paper 25398（2018-12，2019-09 修订，80 页）。正式版发表于 Review of Financial Studies, 2020, 33(5), 2223–2273。
大白话
传统实证资产定价的做法是：找几个特征（规模、账面市值比、动量），做截面回归，看 R^2 和夏普。
问题是：过去五十年积累了几百个特征，而 OLS 塞进 900 多个信号后会因为参数太多而样本外预测崩溃（R^2 直接变负）。这篇论文系统地回答：换成机器学习方法能不能救回来？哪种方法最好？
数据
- 样本：1957–2016 年，近 30,000 只美股
- 预测信号 900+ 个：94 个公司特征 × 与 8 个宏观时间序列的交互项 + 74 个行业虚拟变量
- 方法：简单 OLS、惩罚线性（Lasso/Ridge/Elastic Net/Group Lasso）、降维（PCR/PLS）、广义线性（GLM + 样条）、提升树、随机森林、神经网络（1–5 个隐藏层）
七个主要发现
1. 机器学习整体上大幅优于传统方法
基准 OLS 模型（规模 + 账面市值比 + 动量）的月度样本外 R^2 是 0.16%。
2. 惩罚或降维让高维线性模型可用
| 方法 | 月度样本外 R^2 |
|---|---|
| OLS（900+ 变量） | 深负（崩溃） |
| Elastic Net | 0.11% |
| PCR | 0.26% |
| PLS | 0.27% |
| 广义线性（GLM + 样条） | 未稳健超越线性 |
| 树 / 神经网络 | 0.33% – 0.40% |
3. 非线性必须来自「交互」，不是「变换」
这是论文最有洞见的发现：广义线性模型（用样条给每个预测变量单独加非线性，但没有变量间交互）无法稳健超越线性模型。而树和神经网络（能捕捉交互）明显更好。
结论：预期收益函数中的非线性，主要来自预测变量之间的交互，而不是单个变量的非线性变换。
4. 浅学习胜出
神经网络性能在三个隐藏层达到峰值，再加深就下降；提升树与随机森林选择的树平均不到六个叶子。
论文给出的解释：收益预测问题数据量相对小、信噪比极低，与深度学习擅长的场景（计算机视觉等天文级数据 + 强信号）完全不同。
5. 组合层面的预测力远强于个股层面
自下而上聚合个股预测成组合预测：
| S&P 500 月度样本外 R^2 | 数值 |
|---|---|
| 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% |
三层神经网络对所考察的每一个因子组合都给出了正的样本外 R^2。
原因：最小、最不流动的个股收益行为无序，聚合到组合后平均掉了大量不可预测的个股噪声，信噪比大幅提升。
6. 经济收益显著
| 策略 | 年化样本外夏普 |
|---|---|
| 买入持有 S&P 500 | 0.51 |
| 神经网络择时 S&P 500 | 0.77（+26 个百分点） |
| 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 |
7. 所有方法都指向同一批最重要的预测变量
模型之间的变量重要性排序高度一致，分四类：
- 价格趋势类（信息量最大，前七名里有五个）：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) - 流动性类：换手率与换手率波动、对数市值、成交额、Amihud 非流动性、零成交天数、买卖价差
- 风险类：总波动率、特质波动率、市场 \beta、\beta^2
- 估值与基本面类：盈利价格比 (
ep)、销售价格比 (sp)、资产增长 (agr)、近期盈利增加次数 (nincr)
惩罚线性与降维模型的变量重要性高度偏向动量与反转；树与神经网络更「民主」，从更广的特征集取信息。
两种重要性度量（R^2 削减法与 SSD 法）的相关系数在 84.0%–97.7% 之间。
蒙特卡洛验证
附录 A 用模拟数据检验上述解释：两个数据生成过程，一个只有线性可加结构，一个含非线性变换与两两交互。结果：线性/广义线性方法在线性设定下占优，树与神经网络在非线性交互设定下显著胜出——与实证发现一致。
论文明确划出的边界：机器学习「不能」做什么
「这些改进的预测只是测量。测量不告诉我们经济机制或均衡。」
机器学习本身不识别资产价格与条件变量之间的深层基本联系。理解经济机制仍需要经济学家加入结构——把假设的机制写进估计问题，再让机器学习算法在该结构下运行。论文点名了 Kelly et al. (2019)、Feng et al. (2019) 这一新兴方向。
这一点对本 wiki 特别重要：库里已有的 深度学习资产定价（Chen-Pelger-Zhu）走的正是「加入无套利结构」这条路，与本文的「纯预测」路线形成对照。
相关
- 深度学习资产定价 — 加入经济约束的对照路线
- 预测回归的统计陷阱 — 机器学习要解决的正是这类问题
- Test Assets 与因子模型检验
- Chen-Pelger-Zhu (2021) — 同期的另一条路线