文件名称：通过机器学习增强股市异常-研究论文
文件大小：665KB
文件格式：PDF
更新时间：2024-06-29 07:54:05
Anomalies machine learning
我们检查了 30 种机器学习方法和 250 多个模型在具有超过 5 亿个公司月异常观察的数据集中增强的 299 种资本市场异常的可预测性。 我们发现每月（样本外）的显着回报约为 1.8-2.0%，并且超过 80% 的模型产生的回报等于或大于我们线性构建的基线因子。 考虑到往返成本高达 2% 的交易成本，并且仅包括发布后的异常情况，风险调整后的回报在替代资产定价模型中非常显着。 我们的结果表明，非线性模型可以揭示难以与基于风险的解释相协调的市场低效率（错误定价）。