由我院姜富偉教授和我院博士生馬甜、中财蒂爾堡項目博士生張宏偉合作撰寫的論文《高風險低收益？基于大數據和機器學習的動态CAPM模型的解釋》被《管理科學學報》正式接收。
針對中國A股市場存在高貝塔低收益的“低風險定價之謎”，本文以中國股票市場系統性風險測度和均衡風險定價為切入點，使用機器學習算法，結合包括74個微觀企業特征和8個宏觀經濟指标在内的共666個宏微觀混合大數據預測變量，首次構建了基于大數據和機器學習算法的中國股市系統性風險測度模型，研究發現新定價模型可以緩解并消除傳統模型中證券市場線過于“平坦”的現象，解決低風險定價之謎。具體來說，本文首先基于股市月度數據研究了靜态CAPM模型對風險補償收益的解釋力，發現國内股票市場長期存在CAPM模型斜率
過于平坦和截距
顯著大于0的現象。而使用基于機器學習的動态CAPM模型後，定價偏誤顯著降低（最高降低了96%），在得到有效的定價模型後本文對機器學習中使用的大數據進行了重要度分析并對各個機器學習模型的複雜度進行了研究。同時本文發現中國市場中收益水平變動風險是導緻異象産生的主要原因。
本文對我國股市動态資本資産定價模型和時變β風險測度做出兩大貢獻。首先，本文指出我國股市時變貝塔風險不僅受到宏觀經濟指标的影響還受到經營狀況等企業微觀特征的影響。比如，假設宏觀經濟下行會導緻企業貝塔風險升高，而那些小盤股、高賬面市值比和陷入财務困境的股票的貝塔風險或許會升高的更快。本文在國内率先構建了宏微觀混合“大”數據集。具體說，為了盡可能包含更多的有效信息，本文構建的涵蓋了包括74個企業微觀特征和8個宏觀經濟指标在内的共666個宏微觀混合大數據集。利用宏微觀混合大數據進行股票市場系統性風險建模，在數據維度和精度上均較傳統模型有了大幅提升，可以進行更有效信息提取和更準确模型預測。
其次，本文使用了機器學習技術開展股市時變貝塔系統性風險建模。随着金融大數據的爆炸式發展，傳統經典方法在面對高維的宏微觀大數據時候很容易陷入過度拟合和“維度陷阱”，同時在數據挖掘上忽視了金融大數據内在的潛在信息因子、稀疏性和非線性等數據性質。因此，本文使用包括主成分回歸、偏最小二乘回歸、彈性網絡和随機森林等多種機器學習算法替換傳統線性回歸模型，對宏微觀大數據進行降維、變量提取和非線性建模研究，在解決傳統模型缺陷的基礎上構建更精準的資産系統性風險β。而本文的突出貢獻在于将大數據同機器學習算法相結合，将複雜數據進行篩選得到影響系統風險β的重要特征變量，并給出了經濟學解釋，避免了傳統機器學習存在的“黑箱”問題，為後續系統風險的研究提供了探索方向。
