导语
在人工智能与大数据浪潮席卷全球的今天，，，， ，，“机械学习”已成为金融投资领域炙手可热的词汇之一 。。许多投资者甚至从业者不禁都要问：依赖强盛算法的机械，，，， ，，是否已经能够彻底逾越人类剖析师，，，， ，，轻松捕获市场中的逾额收益？？？？？？
日前，，，， ，，pg电子模拟器金融学系副教授张英广与相助者在金融学顶级期刊The Review of Financial Studies上揭晓了一项研究 。。这篇名为《人与机械学习再审阅》（Man versus Machine Learning Revisited）的论文，，，， ，，聚焦机械学习与古板要领在公司盈利、股票回报预测中的体现之争，，，， ，，通过对经典研究的系统性复现与再评估，，，， ，，得出了一系列具有现实意义的结论 。。通过严谨的实证磨练，，，， ，，修正了学界对机械学习在金融预测中作用的认知，，，， ，，也为业界理性看待机械学习的应用提供了要害参考 。。
01、故事的起源，，，， ，，一项引发重大回声的研究
故事的起点源于2023年的一项研究 。。其时，，，， ，，有学者使用随机森林（一种盛行的机械学习模子）预测剖析师的盈利预测误差，，，， ，，并据此构建投资战略 。。效果显示，，，， ，，该战略每月能获得高达1.54%的逾额收益，，，， ，，且统计显著性极高 。。
这一发明在学术界和业界引起了重大回声：它似乎证实晰机械学习拥有某种自然优势，，，， ，，能够发明人类剖析师无法察觉的市场纪律 。。这一突破性发明迅速影响了后续相关文献的研究偏向，，，， ，，同时也引发了关于机械学习在金融预测中是否更具有优势的普遍讨论 。。
02、被忽视的误差
然而，，，， ，，科学的精神在于嫌疑与验证 。。张英广先生与相助者的研究在对上述研究举行复现时，，，， ，，完整重修了原研究的预测框架、模子设定与数据处理流程，，，， ，，并逐步检视了其中的变量界说、模子训练方式以及预测限期设置 。。研究发明，，，， ，，模子中的一个要害变量——“上一期真实盈利”，，，， ，，在跨期预测场景中被过失地界说为未来期尚未可视察的盈利信息 。。
通俗来说，，，， ，，这就好比在考试最先前，，，， ，，学生已经偷偷看到了试卷的谜底，，，， ，，自然能考出高分 。。这一虽细微但要害的界说过失导致了严重的前视偏误，，，， ，，导致机械学习模子虚伪地拥有了预知未来的能力，，，， ，，从而极大地高估了其预测准确率和战略收益 。。
03、修正偏误后，，，， ，，机械学习优势大幅缩水
为了还原模子的真实体现，，，， ，，研究团队剔除了这一前视偏误，，，， ，，对模子举行了重新磨练，，，， ，，效果泛起了根天性转变：原本靠近1的夏普比率（权衡投资战略风险调解后收益的焦点指标，，，， ，，数值越高代表战略性价比越高）降至0.15，，，， ，，意味着模子的风险收益比大幅降低，，，， ，，其构建的投资战略所爆发的逾额收益，，，， ，，在统计和经济意义上都不再显著 。。
更要害的是，，，， ，，修正偏误后，，，， ，，这款机械学习模子相较于剖析师预测的优势大幅缩小，，，， ，，面临古板线性模子，，，， ，，也不再有显著优势 。。甚至古板线性模子在生意收益体现上反而更胜一筹 。。研究团队还实验了其他机械学习模子及模子组合，，，， ，，均无法恢回复研究中高预测能力 。。
别的，，，， ，，研究还对原研究中关于市场征象的诠释举行了重估，，，， ，，发明公司股权增发、股票收益异象等市场体现，，，， ，，并非主要由剖析师预测偏误驱动，，，， ，，而是更多与企业现实盈利水平、基本面属性相关，，，， ，，这也让原研究的部分经济学诠释的可靠性显著削弱 。。
04、为机械学习在金融中的应用提供要领论基准
这项研究并非要否认机械学习的价值，，，， ，，而是通过严谨的复现与剖析强调：任何模子的体现都必需在严酷遵守数据时序逻辑、确保特征变量在预测时点可视察的条件下举行评价 。。
这一研究的价值也不止于修正一项经典研究的结论，，，， ，，更从要领论、实证研究和经济机制剖析三个层面，，，， ，，为机械学习在金融领域的应用划定了清晰的界线，，，， ，，提供了主要的实践启示：
首先，，，， ，，该研究对一项具有普遍影响的研究举行了系统性复现，，，， ，，再次强调了时间一致性和数据处理细节在预测建模中的要害作用 。；；笛澳Ｗ佣允莞叨让舾，，，， ，，变量的界说、数据的可视察性设定，，，， ，，直接决议了模子的有用性，，，， ，，这也为后续金融领域的机械学习研究，，，， ，，建设了更严谨的方规则范 。。
第二，，，， ，，研究通过严谨的实证剖析批注机械学习模子的体现高度依赖于变量构建与变量可视察性的设定，，，， ，，其相关于古板要领的信息优势并非必定保存 。。这一结论对机械学习在违约预测、信用评估、市场微观结构剖析等其他金融场景的应用，，，， ，，也具有主要的参考意义 。。
第三，，，， ，，研究对剖析师预测偏误、上市公司行为与机械学习预测之间的因果关系提出了更为审慎的诠释框架，，，， ，，阻止了因模子设定偏误所导致的过失机制推论被进一步放大 。。
归根结底，，，， ，，学界与业界也应对机械学习在金融应用中的体现持有更合理的预期 。。在金融市场日益重大、手艺迭代一直加速的今天，，，， ，，这项研究不但为机械学习的金融应用校准了偏向，，，， ，，也为金融研究的立异生长提供了主要启示：无论手艺怎样前进，，，， ，，尊重市场纪律、坚守研究严谨性，，，， ，，始终是金融研究和实践的焦点底色 。。
注：本篇论文的其他作者还包括中央财经大学金融学院助理教授朱彦頔、达特茅斯塔斯克商学院教授Juhani T. Linnainmaa 。。
张英广，，，， ，，pg电子模拟器金融学系副教授、博士生导师 。。他于2019年在南加州大学马歇尔商学院获金融学博士学位，，，， ，，2011年在加州大学伯克利分；；窬醚Ш屯臣蒲双学士学位 。。 张英广的研究兴趣主要为资产定价、行为金融、金融科技以及中国金融问题 。。他关注市场加入者的预期动态、企业的预期治理、以及人工智能和机械学习的在金融应用中的价值与局限 。。张英广的研究效果揭晓于Review of Financial Studies, Review of Finance, Pacific-Basin Finance Journal, 《金融研究》，，，， ，，《经济学》（季刊），，，， ，，《中国会计谈论》等学术期刊 。。他加入的相助论文曾获Alpha Letters/CQA 最佳论文奖、中国金融前沿学术论坛最佳论文奖，，，， ，，并多次应邀在美国金融协会年会（AFA）、美国经济学年会（AEA）、中国金融国际年会（CICF）宣讲论文 。。
