Does model complexity add value to asset allocation? Evidence from machine learning forecasting models
模型复杂度能否提升资产配置表现？机器学习预测模型的证据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接比较机器学习收益预测及预测组合，并考察其在样本外资产配置中的经济价值。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
模型复杂度能否提升资产配置表现？机器学习预测模型的证据
- 研究问题
- 将不同机器学习模型和预测组合的收益预测用于样本外资产配置时，增加模型复杂度是否能改善预测的经济价值？
- 方法与思路
- 作者把多种机器学习与预测组合方法的收益预测纳入样本外资产配置框架，通过配置结果对预测进行经济评价和方法比较。
- 材料陈述的贡献
- 摘要称，多数考察情形中复杂度带来改善，收缩方法与浅层神经网络的单模型表现最高，机器学习预测组合带来样本外收益改善。
- 阅读关注点
- 应核对资产与样本范围、预测更新和调参方式、基准组合、交易成本及风险约束，并查看经济评价指标与统计不确定性。
- 阅读边界
- 仅据 Crossref 摘要；未说明具体收益指标、成本、风险或显著性，所述优势限于作者考察的设置，不能视为普遍收益保证。
原文摘要
Summary This study evaluates the benefits of integrating return forecasts from a variety of machine learning and forecast combination methods into an out‐of‐sample asset allocation framework. The economic evaluation of the forecasts shows that model complexity translates to improved results in the majority of cases considered, with shrinkage methods and shallow neural networks generating the highest individual performance. Overall, an investor would consistently realize superior out‐of‐sample gains by incorporating forecast combinations of machine learning models in the portfolio formation process.