机器学习与大数据的期权收益可预测性研究:基于1200万观测数据的非线性模型分析
基于1996-2020年超过1200万观测数据,发现非线性机器学习模型显著提升期权收益预测的样本外表现,多空组合产生统计和经济上显著的利润,即使考虑交易成本。期权特征是最重要的单独预测因子,但股票特征提供增量预测能力。预测性由信息摩擦和期权错误定价驱动。
基于1996-2020年超过1200万观测数据,发现非线性机器学习模型显著提升期权收益预测的样本外表现,多空组合产生统计和经济上显著的利润,即使考虑交易成本。期权特征是最重要的单独预测因子,但股票特征提供增量预测能力。预测性由信息摩擦和期权错误定价驱动。
基于1996-2020年超过1200万观测数据,发现非线性机器学习模型显著提升期权收益预测的样本外表现,多空组合产生统计和经济上显著的利润,即使考虑交易成本。期权特征是最重要的单独预测因子,但股票特征提供增量预测能力。预测性由信息摩擦和期权错误定价驱动。
基于1996-2020年超过1200万观测数据,发现非线性机器学习模型显著提升期权收益预测的样本外表现,多空组合产生统计和经济上显著的利润,即使考虑交易成本。期权特征是最重要的单独预测因子,但股票特征提供增量预测能力。预测性由信息摩擦和期权错误定价驱动。核心数据:1200万;1996-2020。
本报告由Georgetown University, University of Münster, University of St. Gallen, University of Neuchâtel发布,发布于 2023 年。
覆盖 2023 年,全文约 55.0。
本报告为付费报告,可在资料宝站内下单后获取完整内容。
适合量化研究员、金融从业者、学者等读者参考。
重点分析了金融投资、期权收益可、万观测数据、非线性模型等议题。