摘要：研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学教授及《Management Science》金融主编叢林（丛林），与斯坦福大学管理科学与工程系终身教授Markus Pelger组成。
2024年12月21日至22日，首届ADEFT-XueShuo冬季学术研讨会“社科人工智能与人工智能经济学”在线上成功举办。
此次会议由清华大学孵化的学说平台主办，康奈尔大学商学院金融科技中心和斯坦福金融科技高阶实验室等全球多个研究机构和研究中心提供学术支持。
研讨会联席组委由康奈尔大学约翰逊商学院Rudd家族管理学讲席教授、金融学教授及《Management Science》金融主编叢林（丛林），与斯坦福大学管理科学与工程系终身教授Markus Pelger组成。
来自斯坦福大学的Markus Pelger教授进行了关于“机器学习在投资和资产管理中的应用”的精彩分享。
Markus Pelger
斯坦福大学管理科学与工程系
斯坦福大学管理科学与工程系终身教授、Reid and Polly Anderson研究员, 美国国家经济研究局教授研究员。他是金融机器学习领域的先驱之一，并且是最早将生成对抗网络（GANs）应用于金融领域的学者之一。 论文发表在《Journal of Finance》、《Review of Financial Studies》、《Journal of Financial Economics》、《Management Science》、《Journal of Econometrics》和《Journal of Applied Probability》上。他是《Management Science》、《Operations Research》、《Digital Finance》和《Data Science in Science》的副主编。
研究领域：理解和管理金融风险，同时开发数学金融模型和统计方法，分析金融数据并设计计算技术，研究分为三个方向：针对实证资产定价中的大数据问题的机器学习解决方案，高维数据的统计理论，以及随机金融建模。
参会人员扫描下方二维码
即可观看演讲视频回放
机器学习在投资和资产管理中的应用
在2024年人工智能冬季研讨会上，斯坦福商学院的Markus Pelger教授带来了一场关于"机器学习在投资和资产管理中的应用"的精彩演讲。Pelger教授是斯坦福商学院和NBER的资深学者，主要研究金融风险的理解和管理。他专注于开发数学金融模型和统计方法，分析金融数据并设计计算技术。他的研究分为三个主要方向：实证资产定价中大数据问题的机器学习解决方案、高维数据的统计理论以及随机金融建模。
Markus Pelger教授对机器学习在投资和资产管理中的应用进行了全面的讲解。主要论点是，机器学习虽然在金融领域具有巨大潜力，但必须与经济理论和领域知识相结合才能发挥其真正价值。简单套用机器学习工具而不考虑金融理论和约束条件的做法效果有限。在这次演讲中，他分享了其团队在将机器学习与传统金融理论相结合方面的最新突破性研究成果。
首先，Pelger教授介绍了风险溢价主成分分析(RP-PCA)方法，这是一种创新的统计资产定价因子方法。该方法通过引入无套利约束增强了传统PCA，特别擅长发现标准PCA可能忽略的弱因子但具有经济意义的因子。RP-PCA巧妙地结合了时间序列变化和横截面定价信息，产生的因子能更好地解释资产收益，并产生比传统方法更高的夏普比率。实证结果表明，RP-PCA在样本外测试中大幅优于标准PCA和传统的Fama-French因子。
其次，教授详细阐述了一种使用无套利条件作为准则函数的深度学习因子模型。这个创新模型在遵守经济约束的同时捕捉资产收益中的非线性关系和时间变化，通过生成对抗网络(GAN)识别具有未解释定价信息的投资组合，并利用专门的网络整合宏观经济状态。该模型显著优于基准方法，实现了更高的夏普比率和更好的横截面收益解释能力。
第三个创新是资产定价决策树模型，这是一种兼具可解释性和高性能的方法。新颖的"资产定价剪枝"技术选择能共同最大化夏普比率的最优节点，在保持强劲表现的同时提供清晰可解释的投资规则。实证研究表明，这种方法的夏普比率是标准机器学习预测方法的两倍，充分证明了正确选择目标函数（投资表现而非收益预测）的重要性。
最后，Pelger教授介绍了一种使用深度学习进行统计套利的综合方法。这种方法创新性地结合了统计因子模型、卷积神经网络和transformer架构，不仅识别相似资产，还能检测复杂的时间序列模式并优化交易分配。该方法在实践中取得了显著成果：年化夏普比率达到4，年化收益率约20%且波动率低于6%，更重要的是，这种策略与传统风险因子几乎不相关，且在考虑交易成本后仍然保持稳健的表现。
在整个演讲中，Pelger教授反复强调了几个关键观点：
1. 经济结构的重要性
在金融应用中，机器学习的强大潜力只有在结合经济理论和约束时才能充分发挥作用。单纯依赖机器学习进行预测，而忽视经济结构的复杂性，往往会导致模型的表现低于预期。例如，传统的机器学习模型可能在表面上预测准确，但如果忽略了资产定价的无套利条件，其结果在实践中的应用价值可能大打折扣。研究表明，经济约束为模型提供了更深层次的指导，使其不仅能够捕捉数据中的模式，还能反映出金融市场的内在规律。
2. 预测≠投资
机器学习在投资中的核心挑战之一是：优化预测准确性与优化投资表现并不完全一致。许多传统模型以提高收益预测的准确性为主要目标，然而，预测准确的模型未必能直接转化为优秀的投资表现。投资优化需要针对具体的投资目标函数进行设计，例如最大化风险调整收益，而不仅仅是准确预测未来收益。换句话说，成功的投资模型必须以投资目标为中心，而非仅关注短期的预测误差最小化。
3. 无套利约束的关键作用
研究证明，将无套利条件纳入机器学习模型能够显著提升其表现和经济相关性。这一原则贯穿于多种方法之中，包括统计资产定价、深度学习因子模型、基于决策树的资产定价方法以及深度学习统计套利模型。无套利约束为机器学习模型提供了一个重要的经济理论基础，使其在预测的同时，能够更好地捕捉金融市场中的经济现实。这种结合不仅提高了模型的稳健性，还改善了投资表现，使其具有更强的实践价值。
随着这些创新方法在实践中的逐步应用，我们有理由期待金融行业将迎来一个更加智能、高效的新时代。正如Pelger教授所强调的，金融科技的未来在于如何巧妙地将传统金融理论、领域专业知识与现代机器学习技术进行有机结合，而不是简单地用新技术替代传统方法。
作者简介：张蓝尹，IC3 - The Initiative For Cryptocurrencies & Contracts 和（AI, Digital Economics, Financial Technology) 实验室研究员，青年创业者。
来源：学术圈
