MEASURING INTANGIBLE CAPITAL WITH MARKET PRICES论文阅读

会计准则禁止将内部创造的知识和组织资本披露在公司的资产负债表上。因此，随着无形投资水平的提高，资产负债表表现出向下偏见的趋势变得更加严重。为了抵消这些偏见，研究人员必须通过资本化先前的研发和销售管理费用（SG&A）来估算这些表外无形资产的价值。 在此过程中，必须假设一组资本化参数，即研发折旧率和代表长期资产的SG&A部分。我们利用企业退出时的市场价格来估计这些参数，并用它们来对1978-2017年间全面的公司面板数据中的无形资产进行资本化。 平均而言，我们对无形资本的估计比现状参数的估计小15%，同时在行业间的差异更大。从退出价格参数得出的无形资本存量在解释市场企业价值和识别人力资本风险方面优于现有措施。用基于退出的无形资本存量调整账面价值显著减轻了市场价值与账面价值比率和股本回报率比率中广为人知的偏见，同时提高了HML资产定价因子的精度。

Quality minus junk论文阅读

理论上，我们提供了一个易于处理的估值模型，展示了股票价格应如何随着其质量特征——盈利能力、增长性和安全性——而上升。 实证上，我们发现高质量股票平均来说确实具有更高的价格，但差距并不大。或许正是由于质量对价格这种令人困惑的温和影响，高质量股票具有较高的风险调整后回报。 实际上，在美国以及24个国家中，一个做多高质量股票并做空低质量股票的质量减去垃圾（QMJ）因子能够获得显著的风险调整后回报。 质量的价格随时间变化，在互联网泡沫期间达到低点，且质量的低价预示着QMJ未来较高的回报。 分析师的目标价格和盈利预测暗示了与质量相关的系统性错误在回报和盈利预期中存在。

Fundamental Analysis and Mean-Variance Optimal Portfolios 论文阅读

我们将基本面分析与均值-方差投资组合优化相结合，以形成完全优化的基本面投资组合。我们发现，完全优化的基本面投资组合产生了具有高夏普比率的大样本外因子阿尔法。它们显著优于预期收益极端十分位数股票的等权重和市值加权投资组合，这种方法在基本面分析研究中常用。这些投资组合也超越了先前投资组合优化文献中使用的基于因子和参数的投资组合策略方法。通过均值-方差优化的基本面投资组合的相对表现增益随着时间保持稳定，即使从投资集中剔除小盘股公司以及考虑到估计的交易成本时也是如此。我们的结果表明，未来的基本面分析研究可以通过实施这种投资组合优化方法来提供更多投资见解。

machine learning and the stock market 论文阅读

在本文中，我们利用机器学习技术来寻找盈利的交易规则。我们采用了一套多样化的机器学习方法，除了标准的损失最小化算法（例如支持向量机、决策树、随机森林和集成学习）之外，还包括进化遗传算法。此外，我们的实验伴随着严格的数据窥探和交易成本控制。结果表明，投资者本可以事先找到盈利的技术交易规则，但这种样本外的盈利能力随着时间逐渐减少。而且，我们的发现提倡使用进化遗传算法而非基于损失最小化的机器学习算法（如随机森林和决策树）。

Machine Learning and Fund Characteristics Help to Select Mutual Funds with Positive Alpha 论文详解

基于机器学习的方法，仅利用基金特征选择公募基金组合，获得了显著的样本外α值。些方法揭示了基金特征与未来业绩之间关系中的相互作用。例如，对于更加积极主动的基金而言，过去的表现是预测未来表现特别有力的指标。机器学习识别出那些技能没有被规模不经济充分抵消的经理，这与阻止投资者识别表现优异的基金的信息摩擦是一致的。本文的发现表明，投资者可以从积极管理中受益，但前提是他们能够获得复杂的预测方法。

Expectation disarray: Analysts’ growth forecast anomaly in China 论文阅读

在本研究中，我们考察了分析师收益增长预测对中国资产定价的影响。我们的发现与之前在美国市场进行的研究有所不同。具体来说，我们发现分析师的增长预测在中国对股票回报具有正面的预测能力。我们的结果表明，在中国，投资者的预期并没有与分析师的预测保持一致。因此，分析师预测中的偏差似乎并没有扭曲价格。这并不是因为投资者有效地过滤了这些偏差，而是因为这些预测从一开始就基本上被忽视了

FinLex: An effective use of word embeddings for financial lexicon generation 论文阅读

本文介绍了一种名为FinLex的新方法，该方法在处理法律和金融文本的语言模型（LM）词汇表构建方面展示出了与现有最佳技术相媲美的性能。FinLex主要解决了传统上依赖专家手动创建词汇表所带来的主观性和非标准化问题。随着概念随时间和语境的变化，人工创建的方法难以保持词汇表的更新与一致。FinLex的创新之处在于使用算法自动构建词汇表，减少了人为因素的影响，提高了过程的可重复性和透明度。此外，这种方法不仅没有排除领域专家的参与，反而为他们提供了一个优化的基础。

USING MD&A TO IMPROVE EARNINGS FORECASTS 论文阅读

在本文中，我们开发了将文本与财务变量相结合的技术，以生成明确的公司层面预测。我们发现，增强文本的模型比仅使用定量财务变量的模型更准确，提供了关于MD&A部分预测价值的证据。具有本期业绩变化较小、未来业绩变化较大、未来业绩变化为负、应计项目较高、市值更大、Z评分较低、审计质量更高、MD&A文本较短且更易读、以及激励性薪酬较高的公司的MD&A更具信息量。MD&A在监管改革之后的时期内更具信息量，但在最近的金融危机期间则信息量较少。最后，我们表明，在小型企业和分析师关注度较低的企业中，分析师相对于增强文本的统计模型而言失去了其预测优势。

文献综述 Forecasting earnings and return: A review of recent advancements

本文选择性地回顾了在收益和回报预测模型研究方面的最新进展。我们讨论了为什么将统计学、计量经济学和机器学习的进展应用于收益和回报的预测会带来诸多挑战。

Predicting Future Earnings Changes Using Machine Learning and Detailed Financial Data 论文阅读

使用机器学习方法和高维详细财务数据来预测一年后的收益变化方向。我们的模型显示出显著的样本外预测能力：受试者操作特征曲线（ROC）下的面积（AUC）在67.52%到68.66%之间，这明显高于随机猜测的50%。根据我们模型预测形成的对冲组合的年度规模调整后收益在5.02%到9.74%之间。我们的模型优于两种传统模型，这两种传统模型使用逻辑回归和少量的会计变量，并且也优于专业分析师的预测。分析表明，相对于传统模型的优越性既来自于回归所忽略的非线性预测变量相互作用，也来自于机器学习利用了更详细的财务数据。