.png){kind=icon}
返回
Deep learning, predictability, and optimal portfolio returns
.png){kind=icon}
PRE
AI
DOI：10.1016/j.jempfin.2026.101705.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了投资者使用深度学习方法预测股票市场超额收益的动态投资组合选择。在两项资产配置问题中，深度神经网络——包括前馈网络和长短期记忆（LSTM）循环架构——相较于线性预测回归，在确定性等价收益和夏普比率方面实现了具有经济意义的增益。这些增益对于替代绩效指标、交易成本、借贷和卖空约束、不同的再平衡期限以及子样本分割均具有稳健性，并且在NBER衰退期以及高收益波动期间尤为显著。在我们考虑的神经网络类别中，不同架构的经济表现大体相似，而循环LSTM架构在更频繁的再平衡下能提供额外的收益。总体而言，我们的证据表明，通过深度学习利用标准预测变量的时间序列结构，可以为投资者带来超越线性模型所获收益的实质性投资组合改进。
Keyword:
Return predictability
Portfolio allocation
Machine learning
Recurrent neural networks
Empirical asset pricing
期刊
J
IF:
2.4
论文数:
43
被引数:
3.9K
.png){kind=icon}
查看更多内容