通過梳理機器學習在資產(chǎn)價格預測及配置中的應用與研究進展,簡要闡述了當前文獻的特點及其不足。在此基礎上,總結(jié)了當前研究中機器學習的主要應用框架及其適用性和局限性,進一步討論應用機器學習算法進行資產(chǎn)價格預測和配置研究未來可能的研究趨勢。研究表明:機器學習方法能夠挖掘和利用金融數(shù)據(jù)中包含的與資產(chǎn)價格變動相關的信息,做出對未來資產(chǎn)價格的準確預測或可盈利的資產(chǎn)配置決策;機器學習算法與金融理論的結(jié)合是未來研究的一個重要方向。 

【文章來源】：管理學報. 2020年11期 北大核心CSSCI

【文章頁數(shù)】：13 頁

【部分圖文】：

機器學習算法的一般流程 ?

對于應用傳統(tǒng)機器學習算法的研究而言,輸入特征往往是傳統(tǒng)研究中常用的結(jié)構(gòu)化數(shù)據(jù)。一方面,雖然傳統(tǒng)機器學習算法同樣能夠處理經(jīng)過特征提取的文本數(shù)據(jù),但一般都用于分析投資者情緒[24, 25]并將其作為預測變量,很少直接用于資產(chǎn)價格預測,因此在本研究中未作深入討論;另一方面,傳統(tǒng)機器學習算法在自然語言處理任務中的性能,往往受限于自然語言本身的復雜性和歧義性,而深度學習算法從數(shù)據(jù)中提取特征的能力恰恰解決了這一問題[36],并在多個主要的自然語言處理任務中,表現(xiàn)出相對于傳統(tǒng)方法的顯著優(yōu)勢[46]。鑒于此,與上述機器學習算法的基本流程不同,已有文獻在應用深度學習算法時,也將非結(jié)構(gòu)化數(shù)據(jù)作為輸入以直接預測未來資產(chǎn)價格。另外,深度學習所用的數(shù)據(jù)往往被重新表示為特定形式后再作為輸入,以更好地發(fā)揮深度學習的性能[33, 34]�，F(xiàn)有關于資產(chǎn)價格預測和配置的文獻中深度學習的一般應用框架見圖2,其中,虛線框部分省略了深度學習的一般流程,如前文所述,深度學習的一般流程與圖1類似,但不含特征提取步驟,而是直接將其整合進了訓練過程中。4.2 應用的適用性與局限性

【參考文獻】：
期刊論文
[1]基于網(wǎng)絡數(shù)據(jù)挖掘的資產(chǎn)定價研究述評[J]. 羅琦,游學敏,呂纖.  管理學報. 2020(01)
[2]深度學習的金融實證應用:動態(tài)、貢獻與展望[J]. 蘇治,盧曼,李德軒.  金融研究. 2017(05)
[3]ML-TEA:一套基于機器學習和技術(shù)分析的量化投資算法[J]. 李斌,林彥,唐聞軒.  系統(tǒng)工程理論與實踐. 2017(05)
[4]基于EMD和SVMs的原油價格預測方法[J]. 楊云飛,鮑玉昆,胡忠義,張瑞.  管理學報. 2010(12)



本文編號：2945719