Maximally Machine-Learnable Portfolios
最大化机器学习可预测性的投资组合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：摘要以股票收益的可预测性及预测驱动的组合权重优化为核心，直接对应收益预测。
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…
最大化机器学习可预测性的投资组合
- 研究问题
- 能否同时学习组合权重与预测关系，使合成证券收益更易预测，并在大规模组合中容纳非线性算法和不同预测变量？
- 方法与思路
- 作者提出交替条件期望的多变量扩展 MACE，在等式两侧分别使用随机森林和受约束岭回归，协同优化预测关系与权重。
- 材料陈述的贡献
- 摘要称，方法扩展了最大可预测组合对算法和规模的适用范围；日频与月频实验报告可预测性及盈利能力的显著提升。
- 阅读关注点
- 应核对权重约束、训练与测试分离、预测指标及显著性评价，并检查盈利结果是否计入交易成本及模型选择影响。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未说明成本、样本和收益数值，所述盈利表现不能据此推广到其他情境。
原文摘要
When it comes to stock returns, any form of predictability can bolster risk-adjusted profitability. We develop a collaborative machine learning algorithm that optimizes portfolio weights so that the resulting synthetic security is maximally predictable. Precisely, we introduce MACE, a multivariate extension of Alternating Conditional Expectations that achieves the aforementioned goal by wielding a Random Forest on one side of the equation, and a constrained Ridge Regression on the other. There are two key improvements with respect to Lo and MacKinlay's original maximally predictable portfolio approach. First, it accommodates for any (nonlinear) forecasting algorithm and predictor set. Second, it handles large portfolios. We conduct exercises at the daily and monthly frequency and report significant increases in predictability and profitability using very little conditioning information. Interestingly, predictability is found in bad as well as good times, and MACE successfully navigates the debacle of 2022.