【摘要】股市风险溢价是金融学中的一个经典研究问题。常见的线性模型存在着模型误设和参数不稳定的问题，难以有效预测风险溢价。本文从机器学习的视角重新检视了中国股票市场的可预测性。基于1996年1月至2019年12月的数据，构建提升回归树 (Boosting Regression Trees, BRTs) 模型对股市收益率与波动率进行样本外预测，并构建了最优风险资产配置模型。实证结果显示，1）提升回归树方法能够对收益率、波动率和最优风险资产权重做出准确预测。2）在收益率预测中最重要的三个变量分别是净权益增加值、换手率和股价方差；挖掘预测变量之间的非线性关系是BRT预测能力的来源。3）结合提升回归树预测构建的最优风险资产组合可以为投资者带来更高的收益和效用。本文将机器学习方法引入股票市场风险溢价的研究，为此问题的研究提供了全新的视角。

【关键词】权益风险溢价，提升回归树，样本外预测，机器学习

该文发表于《管理科学学报》2023年第10期，该期刊为武汉大学经济与管理学院学术期刊分级方案B+级奖励期刊。龙真为金融工程2022级博士研究生，为本文通讯作者。