本网讯（通讯员：范亿）2020年11月26日下午14:30，2020年经济学院第三次学术讲座在经济学院307会议室召开。来自爱丁堡大学的博士研究生韩笑做了题为《RisksVersusMispricing:Decomposing Asset Pricing Anomalies viaClassification》的英文报告。经济学院金融系全体教授、青年老师、部分博士研究生与硕士研究生参加了本次会议。

资产定价的研究中，公司的特征可以用来预测股票回报，学术上用anomaly来指代相应特征因子的预测能力。目前学术界有两种主要流行的观点解释资产定价中的异常因子：风险暴露和错误定价。

“风险暴露”认为公司某些特征可以看做风险的一种指标，比如Fama和French2003的论文发现基于公司账面与市场价值的比例构建的因子可用于评估股票对系统性风险的敏感性。公司的帐面市值越高，该公司面临的危机风险就越大。风险暴露学说认为当异常因子处于高水平时，股票预期将提供高水平的回报作为风险补偿。对资产定价中出现异常因子的另一种解释是“错误定价”——股价偏离了它的真实价值或内在价值。例如，股票有时会被高估或低估。因此异常因子的出现是由于投资者对公司过去的业绩反应过度，并以过去的盈利增长过度地预测未来现金流。（Barberis和Thaler2002）

在已有的文献基础上，文章的主要研究问题是上述两种观点哪一种才是导致资产定价异常因子出现的原因？韩笑博士通过使用基于分类的机器学习方法将资产定价研究中常见的32种异常因子分解成风险暴露和有偏预期两个部分，并对其进行检验，取得了建设性的成果。

文章实证部分，已有文献指出分析师对股价的预测通常是有偏的，从而导致错误定价。本篇文章沿用了分析师的股价预测作为股票回报预期的直接指标。不同于以往文献的是，在设置股票预测回报的基准时，通过机器学习可以预测一个统计学意义上最优的对公司未来盈利预期值。因此分析师的有偏预测程度就可以通过与该基准之间的差异反映出来。

机器学习是基于数据集训练的一种非参数方法。它有着比传统线性方法更优的地方：不需要进行大量的参数估计，避免了变量选择偏误。同时由于训练集几乎包含了所有信息，机器学习给出的预测结果同时也是统计意义上最优的。文章运用三种不同的机器学习模型（lasso、SVM以及tree-based）将过去三年股票信息作为训练数据，对于未来股票回报的表现进行预测。

除了对资产定价中常见的32种异常因子进行分解以外，文章还着重对多空策略因子进行分解。基于机器学习预测的多空走势结果可以构造一个买入预期上涨资产卖出预期下跌资产的投资策略。将由该策略获得的超额回报分解为风险预期回报和有偏的分析师预期两个部分，判断哪一种是该异常因子的主要来源。

结果发现：有偏预期相比风险溢价成分能更好地解释本文构建策略得到的异常因子。对此可能的解释有，市场上的确存在一些股票价格被高估，而另一些则被低估的情况。既然股价存在被错误定价的可能，那么根据这种有偏差的预期进行投资，可以提高投资平均回报率。文章最后也给出了一些有待继续探究的问题，比如风险溢价是否是时变的，尤其是在金融危机时期。

汇报结束后，蔡必卿老师对文章使用机器学习方法作为预测模型的适当性展开讨论，他提出了个人建议，指出需要注意到机器学习作为预测模型的无偏性是无法衡量的。机器学习并非传统估计模型，在使用时需要更加小心。他建议把其他传统线性估计方法放到一起做比较。彭斌老师对文章的结构提出了看法，认为应该把更多的篇幅放到金融理论下的应用去，而不是在方法介绍上。孔东民教授指出分析师预测作为股票回报的有偏预期指标，需要考虑分析师预测结果数据本身的偏差。由于分析师给出的预期通常主观性很大，数据也并非包括全部的股票数据，在计算有偏预期水平时可能需要标准化。另外，孔老师还提出了将机器学习训练数据由公司财务指标换成股票交易数据的思路，以更好地反应投资者非理性的行为。