精选
研究人员开发了一种符号建模技术，这是一种由人工智能驱动的技术，用来创建金融资产定价的各种统一数学模型。与神经网络相比，通过符号建模生成的数学表达式更容易理解和分析。通过对数百家公司数据的测试表明，与传统的资产定价模型(如资本资产定价模型(CAPM)或法玛-弗伦奇三因子模型)相比，该技术的预测误差更低，无法解释的收益也更少。
在人工智能与金融领域的一项重大突破中，来自德克萨斯A&M大学的计算机科学家开发了一种名为符号建模的技术，该技术基于机器学习的方法，主要用于处理金融资产定价任务。与广泛使用的法玛-弗伦奇三因子模型相比，该方法在保持模型长度可接受的同时，降低了预测误差。
经典的资产定价模型依赖于手动选择的金融因素(如市场波动性和公司规模)的线性组合。虽然这些模型有效，但在应对复杂市场动态时有明显劣势。而所提出的方法则利用遗传编程和深度学习，自动生成能够适应多个数据集的非线性表达式。
“大多数当前的金融资产定价模型就像是一个固定的配方——你按照设定的比例组合预先确定的成分。而符号建模更像是一位大厨，为每位食客优化创作出特定的食谱”，该研究的第一作者Xiangwu Zuo解释道，“我们的方法生成的表达式考虑了市场因素之间人类可能忽视的隐藏关系。”
符号回归法与符号建模法的函数比较图
Xiangwu Zuo和合著者Anxiao (Andrew) Jiang基于数百家公司(包括可口可乐和埃克森美孚等知名公司)近四十年(1980-2018年)的财报生成了一个资产定价模型。研究人员测试了他们的方法，发现与传统模型相比，性能始终有所提升。
“与传统资产定价模型相比，我们的模型实现了更低的预测误差”，Xiangwu Zuo分享道 “除了预测准确性提高之外，该模型还降低了‘阿尔法’值——这是金融中一个至关重要的指标，代表无法解释的收益。”
值得注意的是，符号建模方法生成的模型纳入了非线性因素组合，这是人类设计的资产定价模型中所缺失的。“这有助于更好地捕捉非线性市场行为” Xiangwu Zuo补充道。
符号建模特别创新之处在于其能够发现一个统一的数学模型，能够同时表示多种资产。与传统符号回归不同，后者会为每家公司的数据创建单独的公式，而这种新方法通过调整系数，找到了一个能够适应不同数据集的单一灵活表达式。
作者们看到了金融资产定价、投资组合优化以及复杂市场条件下交易策略开发等方面的潜在AI应用。“我们计划通过将该技术与更多机器学习方法相结合，来扩展我们的工作，以进一步增强金融领域的AI” Xiangwu Zuo表示。
文章现已发表在期刊The Journal of Finance and Data Science上，欢迎有兴趣的读者及领域内学者阅读、下载：
Xiangwu Zuo and Anxiao (Andrew) Jiang, Symbolic Modeling for Financial Asset Pricing, in Journal of Finance and Data Science, January 2025.
https://doi.org/10.1016/j.jfds.2025.100150
期刊简介
The Journal of Finance and Data Science旨在成为金融和数据科学交叉领域研究的前沿期刊。
期刊主编由美国宾州州立大学的黄京志教授担任。编委成员包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，包括两位诺贝尔经济学奖获得者Lars Peter Hansen和Robert J. Shiller。
目前，期刊已被ESCI、DOAJ、Scopus、ProQuest、EBSCO Essentials、EBSCOhost、The Journal Whitelist (Cabells)等数据库收录。
推荐阅读
转载本文请联系原作者获取授权，同时请注明本文来自科爱KeAi科学网博客。
链接地址：https://wap.sciencenet.cn/blog-3496796-1480241.html?mobile=1
收藏
