Machine-learning the skill of mutual fund managers

我们利用机器学习方法证明，基金特征能够一贯地区分高绩效与低绩效的共同基金，无论是在费用之前还是之后。这种超额表现持续超过三年。 基金动量和资金流是预测未来风险调整后基金表现最重要的因素，而基金持有的股票特征则不具备预测能力。 在高情绪期间之后，预测性多空组合的回报更高。我们使用神经网络进行的估计使我们能够揭示情绪与资金流及基金动量之间的新颖且显著的交互效应。

Firm-Level Climate Change Exposure

我们开发了一种方法，该方法能够识别收益电话会议参与者对公司气候变化暴露的关注度。此方法采用了一种机器学习关键词发现算法，并捕捉与气候变化相关的机遇、物理和监管冲击所导致的暴露。这些衡量指标适用于2002年至2020年间来自34个国家的10,000多家公司。 我们证明，这些衡量指标在预测与净零排放经济转型相关的重要实际结果方面是有用的，特别是颠覆性绿色技术中的就业创造和绿色专利活动，并且它们包含的信息已经在期权和股票市场中被定价。

When can the market identify old news?

是什么驱动了市场对旧闻反应的谜题？受关联忽视理论的启发，我们对金融专业人士进行了一项实验，结果显示即使是老练的投资者也难以识别出从多个来源重新组合而成的旧信息。 我们使用来自彭博终端的1700万篇新闻文章的独特数据集来评估这一机制的市场影响。旧信息的重新组合比直接重印引发更大的价格变动和随后的反转。这种效应在新闻情绪、模糊性和投资者关注方面持续存在。 此外，虽然对旧信息的整体反应会随着时间而减少，但对重新组合信息的差异反应却有所增加。

Artificial intelligence, firm growth, and product innovation

我们研究了人工智能技术的使用及其经济影响。本文提出了一种基于员工简历来衡量企业层面的人工智能投资的新方法。我们的衡量标准揭示了各行业在人工智能投资上的显著增长。 进行人工智能投资的企业在销售额、就业和市场估值方面经历了更高的增长率。这种增长主要通过增加的产品创新实现。（我们的结果在使用企业对大学人工智能毕业生供给的暴露程度作为工具变量时依然稳健。） 由人工智能驱动的增长集中在较大的企业中，并且与更高的行业集中度相关联。我们的研究结果强调，像人工智能这样的新技术可以通过产品创新促进增长并造就超级明星企业。

Front-Page News: The Effect of News Positioning on Financial Markets

本文利用彭博终端上新闻文章显要（“头条”）位置的外生变化，估计了新闻位置对价格发现速度的影响。头条文章在发布后的头10分钟内的交易量比同样重要的非头条文章高出240%，绝对超额回报率高176%。总体而言，头条文章中的信息在发布后的一个小时内完全融入价格。对于重要性相似的非头条信息，市场反应最终会趋同，但需要超过两天的时间才能完全反映在价格中。

告别Zoo of Factor：净化因子分析中的数据挖掘与p值操纵

如何避免潜在的数据挖掘式科研呢？除非有超强的经济学逻辑支撑，如果还是在不停地尝试各种因子的话，我的选择是不做这方面的研究。我认为，资产定价是金融领域很经典的研究方向，很多有价值的研究值得我们学习，在没有那个实力之前，我觉得作为局外人，听听各位大佬对实证资产定价的看法，也能有很多收获，也许能找到一些新的思路。

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）。