Mar, 2024

宏观经济政策的影响揭示：分析利率对金融市场影响的双机器学习方法

PDF
TL;DR该研究通过结合机器学习技术和因果推断，考察了宏观经济政策对金融市场的影响。重点关注美联储调整利率对固定收益和股权基金回报的影响，并对主动和被动管理的基金进行了区分。结果显示，梯度提升是预测基金回报的有用工具，例如，利率上升 1％导致主动管理基金回报下降 - 11.97％。这一对利率和基金表现之间的关系的理解为进一步研究提供了机会，并为基金经理和投资者提供了富有洞察力和数据驱动的建议。
发现论文，激发创造
  • 双机器学习估计因果效应 -- 方法评估

    通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

    Mar, 2024

  • 固定效应下的静态面板模型的双机器学习

    我们开发了从面板数据中估计政策干预措施的估计量，允许混淆回归因子的非线性效果，并使用三个著名的机器学习算法（LASSO、分类和回归树以及随机森林）来研究这些估计量的性能。

    Dec, 2023

  • 机器学习中的股票价格预测能力与商业周期

    研究商业周期对机器学习预测的影响，发现大部分衰退期间机器学习模型表现较差，建议机器学习从业者在衰退期和扩张期中评估其模型。

    Apr, 2023

  • 抵押风险的深度学习

    该论文提出了一个深度学习模型，用于分析 1995 年至 2014 年间 1.2 亿个贷款的起始和每月表现记录，该模型涉及贷款特定和宏观经济变量，并揭示了多重贷款风险的高度非线性性及其与失业率等变量之间的紧密联系。

    Jul, 2016

  • 危机警报：使用机器学习方法预测股市危机事件

    运用先进的机器学习技术，包括随机森林和极限梯度提升，来预测主要发生在美国市场的潜在市场崩盘；同时，通过比较模型表现，考察哪种模型更适合预测美国股市崩盘。

    Jan, 2024

  • 机器学习在国际贸易趋势预测中的应用

    本研究介绍了使用机器学习算法，基于国际贸易交易和相关经济因素，进行预测和解释交易流的可能性，并对预测结果和政策决策进行了评估。

    Oct, 2019

  • 基于双机器学习的非混淆下程序评估

    本论文旨在使用基于双重机器学习的方法对程序评估进行调整并进行扩展，并利用瑞士积极劳动力市场政策的多个程序进行评估。提出了规范化 DR-learner (NDR-learner) 方法来稳定个性化效果估计，从而更好地解决了 DR-learner 方法的局限性。

    Mar, 2020

  • 机器学习用于经济研究：何时、何种、如何？

    这篇文章系统地回顾了机器学习在经济学领域的应用，包括经济数据处理、非线性模型和深度学习模型等方面，证明机器学习为经济学家研究提供了重要工具和优势。

    Mar, 2023

  • 利用机器学习预测四个商业周期阶段：美国和欧元区的案例研究

    研究了机器学习模型在自动分析经济状态方面的能力，以预测美国和欧元区的商业周期阶段，结果表明 MLR 取得了最佳结果，并可准确预测商业周期，对经济和金融领域决策具有帮助。

    May, 2024

  • 深度学习在资产管理中的因子择时应用

    该论文研究了回归模型（OLS 线性回归、Ridge 回归、随机森林和全连接神经网络）在 CMA（保守与激进）因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能，回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而，对于神经网络等灵活模型，其预测基于的最优权重往往不稳定，这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。

    Apr, 2024