主要观点总结
本文介绍了机器学习和大数据时代下，资产预期收益截面差异研究的统一框架。文章回顾了自上世纪60年代以来的股票预期收益率研究，并引出了当下流行的动态latent beta factor model框架。该框架将因子视为latent，建模的对象是资产对因子的暴露，而定价模型的目标是以最小化资产的定价误差为函数来估计具体的函数形式和参数。文章还探讨了新时代实证资产定价研究的目标和方法，包括寻找协变量、构造managed portfolios和估计SDF系数等。最后，文章强调了在统一框架下理解不同定价模型的重要性，并指出了机器学习在资产定价中的应用和挑战。
关键观点总结
关键观点1: 背景介绍
文章背景介绍及资产预期收益截面差异研究的统一框架概述。
关键观点2: 框架解读
详细解读了动态latent beta factor model框架，包括因子、资产对因子的暴露、定价模型的目标等。
关键观点3: 新时代实证资产定价研究的目标和方法
探讨了新时代实证资产定价研究的目标，包括寻找协变量、构造managed portfolios和估计SDF系数等，并介绍了相关的方法和挑战。
关键观点4: 机器学习在资产定价中的应用和挑战
讨论了机器学习在资产定价中的应用，包括使用机器学习算法处理高维数据、考虑变量和预期收益率的非线性关系等，并指出了使用时的挑战和需要注意的问题。
关键观点5: 统一框架下的理解
强调了统一框架下理解不同定价模型的重要性，并讨论了不同模型和协变量选择对实证研究的影响。
文章预览
作者： 石川，北京量信投资管理有限公司创始合伙人，清华大学学士、硕士，麻省理工学院博士。 《因子投资：方法与实践》 领衔作者， 《机器学习与资产定价》 译者。 封面来源： www.pexels.com 未经授权，严禁转载。 摘 要 机器学习和大数据时代，资产预期收益截面差异研究的统一框架。 早先的文章 《Cross-Section Research, A History》 回顾了自上世纪 60 年代以来关于股票预期收益率 cross-section 的研究，包括 CAPM 以及后来的 FF3、q-factor model 这些 ad-hoc 多因子模型 。该文的最后同时引出了当下流行的动态 latent beta factor model 框架： 在这个框架中，因子是 latent，建模的对象是资产对因子的暴露 ，而 是 firm characteristics 的线性或非线性函数，函数的具体形式和参数可以通过机器学习算法，以最小化资产的定价误差为目标函数来估计。 鉴于 bet
………………………………
