我院姜富偉教授和博士生薛浩、21屆本科生周明合作撰寫的論文《大數據提升了多因子模型定價能力嗎？——基于機器學習方法對我國A股市場的探究》近日被國内權威期刊《系統工程理論與實踐》接收錄用。
随着大數據時代的到來，金融數據的可得性增強，資産定價分析方法也迅速發展，而傳統的多因子定價模型已經不能夠滿足對複雜多變的股票市場的解釋和預測。如何充分利用公司财務基本面的高維信息，構建具有較強可解釋性和預測能力的多因子定價模型，成為資産定價領域的熱點問題。而随着我國股市在全球金融市場中的地位不斷提高，如何在大數據時代充分理解我國資本市場的定價問題，具有重要的理論和實踐意義。
本文聚焦于我國A股資本市場，基于随機折現因子理論，充分考慮到多因子定價模型的經濟學和金融學意義，通過懲罰線性回歸和主成分分析等簡單且經濟可解讀性強的機器學習方法，拆解了機器學習方法的“黑箱性”，基于數據降維視角嘗試提取我國A股市場中少數具有較強預測能力定價因子，據此構建體現高維數據信息和模型簡約性的多因子資産定價模型，并比較了各類異象因子在我國A股市場資産定價模型中的作用，明确了超額收益來源，為學術研究和投資實踐提供了參考。
本文發現：我國A股市場中，主成分作為定價因子的表現要優于特征因子；在縮減定價因子個數方面，彈性網絡方法的表現要略優于LASSO方法。比較各類特征因子的定價預測能力，慣性類、交易摩擦類以及估值與成長類因子的貢獻較大，說明雖然我國資本市場不夠完善，市場參與者交易習慣有待提高，但是市場也向着在不斷完善且有效的方向發展。
本文的研究對于大數據時代下我國A股的資産定價研究具有啟示意義。第一，本文利用大數據和機器學習方法構建了适合我國A股市場的多因子定價模型，該簡約模型相較于主流的多因子模型，能夠提取更多關于公司基本面的信息，解釋更多的風險溢價來源，且具有更好在資産定價能力。第二，本文明确了各個定價因子在多因子模型中的貢獻，有助于理解我國資本市場特點，為充分認識我國市場的特點提供了新的視角。第三，将懲罰線性回歸和主成分分析等機器學習方法引入到資産定價模型的構建，同時注意模型的簡約性和可解讀性，為解決高維财務基本面數據問題提供了适用于我國資本市場的方法。
