The Uncertainty of Machine Learning Predictions in Asset Pricing
资产定价中机器学习预测的不确定性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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接研究资产定价中的预期收益预测、预测不确定性及组合选择。
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…
资产定价中机器学习预测的不确定性
- 研究问题
- 资产定价中的神经网络通常只给出预期收益点预测，如何量化这些预测的不确定性，并将其纳入组合选择？
- 方法与思路
- 作者利用神经网络与经典非参数预期收益预测的共同渐近分布，构造标准误和置信区间，并提出可计算的自助法。
- 材料陈述的贡献
- 摘要称方法提供闭式标准误与自助推断，将预测区间纳入厌恶不确定性的投资框架，解释组合收缩并报告样本外改善。
- 阅读关注点
- 应核对渐近等价条件、网络训练与自助法步骤，区分预期收益置信区间和实现收益预测区间，并检查样本外评价设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明具体条件、数据和改善幅度，不能据此推断稳定的收益表现。
原文摘要
Machine learning in asset pricing typically predicts expected returns as point estimates, ignoring uncertainty. We develop new methods to construct forecast confidence intervals for expected returns obtained from neural networks. We show that neural network forecasts of expected returns share the same asymptotic distribution as classic nonparametric methods, enabling a closed-form expression for their standard errors. We also propose a computationally feasible bootstrap to obtain the asymptotic distribution. We incorporate these forecast confidence intervals into an uncertainty-averse investment framework. This provides an economic rationale for shrinkage implementations of portfolio selection. Empirically, our methods improve out-of-sample performance.