欢迎光临武汉大学经济与管理学院!
English Version设为首页加入收藏联系方式
学科工作 首页 - 学科学术 - 学科工作 - 正文
【景林珞珈金融论坛】第196-202期:2021春季金融科技Workshop在武汉大学经济与管理学院顺利举行
时间:2021-04-26    点击数:

2021年4月24日,景林珞珈金融论坛第196-202期2021春季金融科技Workshop在武汉大学经济与管理学院第四会议室(A421)举办,并在腾讯会议与学说平台同步线上直播。此次论坛由武汉大学经济与管理学院金融系、武汉大学金融科技研究中心和武汉大学大数据研究院金融大数据研究中心共同主办。来自中央财经大学的姜富伟老师、湖南大学的唐国豪老师、南京大学的杨学伟老师、厦门大学的陈坚老师、中山大学的刘彦初老师、浙江工商大学的李剑老师和武汉大学的李斌老师为与会师生带来了精彩的学术报告。此次论坛由李斌老师主持,我院部分师生到场参加论坛,此外在腾讯会议与学说平台吸引了超过700位参与者。

姜富伟老师的报告题为“基于大数据与机器学习的股票与债券市场预测”,他指出,收益率预测是金融领域的重要议题,但长期以来学者们大多关注股市横截面收益率的预测,对债券市场可预测性的研究却十分有限。因此,该研究采用大数据和机器学习方法对债券的横截面收益率预测进行了较为全面的研究。研究发现,大数据和机器学习方法显著提高了股票和债券特征预测收益率的样本外表现。此外,虽然股票和债券特征都为股票和债券回报提供了强大的预测能力,但股票特性在预测债券回报时,并没有在债券特征之外提供显著的增量预测能力。研究结果还表明,股票回报可预测性受错误定价的驱动,而债券回报可预测性则是受风险的驱动。

唐国豪老师带来了题为“基于自编码机器学习的金融大数据资产定价研究”的报告。这一研究在中国股票市场上,使用改进的自编码机器学习方法和包含近百个公司特征变量的金融大数据,对股票收益进行预测,并对自编码因子的收益预测来源进行全面的宏观经济分析。研究发现,自编码因子能够从包含公司特征的大量信息中提取到有效的收益预测信号,并在横截面上获得显著的超额收益。此外,研究从宏观经济状态和经济政策两个角度进行分析,发现基于自编码的投资模型的有效性与宏观经济息息相关,它能够在市场泡沫成分较大和投机气氛较浓的情况下成功对冲市场风险,且能捕捉到财政政策和货币政策所导致的市场环境的变化。

杨学伟老师的工作论文为“Delta Hedging and Volatility-Price Elasticity: A Two-Step Approach”。由于隐含波动性和标的资产价格之间存在长期负面关系,Black-Scholes公式中的Delta对冲值并不能最大限度地降低套期保值风险。已有学者捕捉了上述长期关系,改善了Delta的套期保值性能。而杨学伟老师的研究则进一步通过两步实证方法,考虑了波动-价格关系的短期属性,用一个简洁而巧妙的方式提高了对Delta估计的准确性。研究使用了标普500期权每日数据测试这一新方法的实证效果,结果表明新方法比已有文献的方法产生了更高的套期保值收益。

陈坚老师带来了题为“Labor Hiring and Stock Return”的学术报告。这一研究采用了上市公司员工个人简历的创新数据,研究了企业雇佣员工的变化与个股收益率之间的关系。研究认为,当企业产生净雇佣劳动力数量时,其每月变动值可以负向预测随后的市场超额回报。此外,这一指标的优异表现在样本外预测中依然显著,从而可以为投资者在资产配置方面带来可观的经济收益。作者认为,由于劳动力净雇佣与劳动力调整成本相关,这一指标对收益率的可预测性主要源于其预测未来失业和现金流的能力。

刘彦初老师展示了题为“Media-expressed Tone, Option Characteristics, and Stock Return Predictability”的工作论文。这一研究主要通过大量纳斯达克文章的文本数据分析了媒体情绪、期权市场和股票市场三者之间的关系。研究表明,媒体表达的语气影响期权市场,期权数据和媒体语气则都对股票收益率有显著预测能力。此外,通过仔细分析三者影响关系,作者发现用于预测个股回报率的期权数据信息超出了媒体语气和传统市场因素所包含的信息范围。

李剑老师报告了题为“Completing the Market: Generating Shadow CDS Spreads by Machine Learning”的学术论文。这一研究比较了一系列机器学习和传统方法对月度CDS价差的预测性能,使用的数据包括了公司的会计变量和基于市场和宏观经济的变量。研究发现,集成机器学习方法(装袋算法Bagging、梯度提升Gradient Boosting和随机森林Random Forest)表现优于其他预测方法,其中装袋算法在准确性方面尤为突出,使用OLS方法的传统信用风险模型的样本外预测准确性最低。这一结果表明,非线性机器学习方法,特别是集成方法,显著提高了信用风险预测准确性。

李斌老师的报告题为“Selecting Mutual Funds from the Stocks They Hold: A Machine Learning Approach”,这一研究依据共同基金所持有股票的94个特征构建了基金的相应指标,发现大部分基金在40-50个特征上有显著的风险敞口。此外,研究发现基金业绩与基金特征呈现非线性关系,因此研究选择采用机器学习方法(如增强回归树)预测基金业绩,效果显著优于线性方法。经过对比发现,采用本研究构建的指标和机器学习方法,对基金绩效的预测能力优于现有文献提出的其他方法。

七位专家学者的报告以金融科技为核心,在数据创新或方法创新上各有侧重,对股票市场、债券市场、衍生品市场等进行了深入的研究。在会议现场,学者们的讲解条理清晰、深入浅出,师生们踊跃讨论、各抒己见,学术氛围十分浓厚,论坛最终在热烈的气氛中圆满结束。(通讯员:龙真;审核人:余静文)