因此,我们明确地指导机器学习模型捕捉线性模型在其残差中留下的非线性关系。这与其他研究有显著差异,其他研究多以总回报作为因变量。我们的框架允许我们保持线性模型和因子的可解释性,同时利用机器学习仅捕捉线性模型错过的非线性和交互影响。在数学上,我们的机器学习因子可以表示基本线性因子模型方程: = + 其中,R为...
我们发现流动性和动量因子对机器学习模型的输出影响最大,并且它们的影响也与我们之前的研究一致。此外,我们发现因子之间的交互作用对机器学习模型的输出有显著影响。 我们在MSCI Barra全球股票交易模型(GEMTR, Morozov et al., 2016)中评估了我们的机器学习因子作为附加因子,发现在1998-2020全样本期间,它生成了所有GEM...