本书从资产定价的核心问题出发，前沿而体系化地讨论了如何通过经济学推理将机器学习方法引入实证和理论资产定价研究之中，从而有效解决机器学习应用在资产定价中所面临的挑战，搭建了研究机器学习与资产定价的桥梁。为提升阅读体验，帮助读者充分理解书中内容，译者王熙教授与石川博士在行文中加入了精彩丰富的译者注，给原著提供必要的背景知识，从而帮助读者更好地掌握书中的行文逻辑。其中，为本书补充的诸多公式推导过程也能帮助读者加深对贝叶斯统计框架的理解。
Stefan Nagel 是芝加哥大学布斯商学院 Fama Family Distinguished Service金融学教授。 他是Journal of Finance的执行主编，以及美国国家经济研究局（NBER）、欧洲经济政策研究中心（CEPR）和慕尼黑经济研究中心（ CESIfo） 的研究员。
译者简介王熙，北京大学经济学院研究员、助理教授、博士生导师；北京大学大数据分析与应用技术国家工程实验室研究员；武汉大学学士，圣路易斯华盛顿大学硕士、博士；主要研究方向为资产定价、宏观金融以及强化学习与机器学习的交叉学科应用。石川，北京量信投资管理有限公司创始合伙人；清华大学学士、硕士，麻省理工学院博士；因子投资中文版首著《因子投资：方法与实践》领衔作者；知名期刊Computers in Industry编委会委员；曾就职Citigroup、Oracle及P&G。石川博士精通统计建模方法，擅长以金融数学分析为手段进行资产配置、风险管理、量化多因子模型以及衍生品CTA策略的开发。其主理的量化投资公众号“川总写量化”受到了学界和业界的高度认可。
第1 章 引言 1
1.1 实证资产定价中的特设稀疏性假设. . . . . . . . . . . . . . . . . . . . 3
1.2 理论资产定价中的特设稀疏性假设. . . . . . . . . . . . . . . . . . . . 5
1.3 机器学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 术语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.5 监督学习和无监督学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.6 本书的局限性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7 本书的结构. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
第2 章 监督学习 16
2.1 将监督学习视为函数逼近问题. . . . . . . . . . . . . . . . . . . . . . . 16
2.2 回归方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2.1 线性方法：岭回归和Lasso . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2.2 树方法和随机森林. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.3 神经网络. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.3 超参数调优. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 贝叶斯解释. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
第3 章 资产定价中的监督学习 46
3.1 例子：截面股票收益率预测. . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 预测性能评价. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
3.3 正则化与投资表现. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
3.4 预期收益率与协方差的关联. . . . . . . . . . . . . . . . . . . . . . . . . 77
3.5 通过构建投资组合估计协方差矩阵. . . . . . . . . . . . . . . . . . . . 82
3.6 非线性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.8 结构性变化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.9 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
第4 章 机器学习与截面资产定价 97
4.1 基于公司特征因子的资产定价. . . . . . . . . . . . . . . . . . . . . . . 100
4.2 监督学习视角. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
4.2.1 收缩估计量. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2.2 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.3 数据驱动的超参选择. . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.3 实证分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
4.3.1 50 个异象特征的实证结果. . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3.2 WRDS 财务比例的实证结果. . . . . . . . . . . . . . . . . . . . . . . 123
4.3.3 特征之间的交互作用. . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.4 样本外资产定价检验. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
4.5 相关最新研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4.6 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
第5 章 投资者信念形成的机器学习模型 142
5.1 资产市场. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
5.1.1 投资者. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
5.1.2 定价. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
5.1.3 基于计量经济学的观测者视角. . . . . . . . . . . . . . . . . . . . . . 150
5.2 投资者学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
5.2.1 OLS 学习. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
5.2.2 带有信息先验的贝叶斯学习. . . . . . . . . . . . . . . . . . . . . . . . 157
5.3 收益率可预测性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
5.3.1 样本内收益率可预测性. . . . . . . . . . . . . . . . . . . . . . . . . . . 164
5.3.2 （不存在）样本外收益率可预测性. . . . . . . . . . . . . . . . . . . 168
5.4 扩展研究. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.1 稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
5.4.2 额外的收缩和稀疏性. . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5.5 对实证研究的启示. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.6 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
第6 章 研究议程 180
6.1 描述投资机会的特征. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.1 机器学习的经济学约束. . . . . . . . . . . . . . . . . . . . . . . . . . . 182
6.1.2 非线性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
6.1.3 结构性变化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 186
6.2 资产需求分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.1 需求系统估计. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
6.2.2 预期的形成. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
6.3 机器学习的理论应用. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.1 有限理性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
6.3.2 投资者的异质性. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.4 结束语. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
附录A 部分公式推导 201
参考文献 210
索引 217
新书资讯