Precificação de Ativos Empírica via Aprendizado de Máquina

Resumo Nós realizamos uma análise comparativa dos métodos de aprendizado de máquina para o problema canônico da precificação empírica de ativos: medir prêmios de risco de ativos. Demonstramos grandes ganhos econômicos para investidores que utilizam previsões de aprendizado de máquina, em alguns casos dobrando o desempenho das principais estratégias baseadas em regressão da literatura. Identificamos os métodos mais eficazes (árvores e redes neurais) e rastreamos seus ganhos preditivos permitindo interações não lineares de preditores que foram perdidas por outros métodos. Todos os métodos concordam sobre o mesmo conjunto de sinais preditivos dominantes, um conjunto que inclui variações em momentum, liquidez e volatilidade. Os autores forneceram um Apêndice da Internet, que está disponível no site da Oxford University Press ao lado do link para o artigo final publicado online.