التعلم الآلي الآلي وتسعير الأصول

نقوم بتقييم ما إذا كانت طرق التعلم الآلي يمكن أن تُحسن نمذجة العوائد الزائدة على المحافظ مقارنةً بالاستراتيجيات القائمة على الانحدار القياسي المستخدمة عمومًا في الأدبيات المالية والاقتصادية. نقوم بفحص 17 نموذجًا معياريًا يعتمد على نظرية المنفعة المتوقعة والنظرية المستمدة من التمويل السلوكي. نقيم ما إذا كان بإمكان التعلم الآلي تحديد ميزات عملية توليد البيانات التي لم تُكتشف بواسطة الطرق القياسية وترتيب أفضل الخوارزميات أداءً. تستخدم اختباراتنا بيانات CRSP على مدى 95 عامًا، من 1926 إلى 2021، لتشمل التاريخ السعري لسوق الأسهم الأمريكية الواسع. تقترح نتائجنا أن طرق التعلم الآلي توفر نماذج أكثر دقة لعائدات الأسهم بناءً على عوامل المخاطر مقارنةً بأساليب التقدير القائمة على الانحدار القياسي. كما تشير إلى أن بعض عوامل المخاطر وتركيبات عوامل المخاطر قد تكون أكثر جاذبية عند أخذ الخصائص غير الخطية للأصول الأساسية في الاعتبار بشكل أكثر ملاءمة.