资产定价中机器学习预测的不确定性
The Uncertainty of Machine Learning Predictions in Asset Pricing
AI总结：
本文针对资产定价中机器学习点估计忽略不确定性的问题，开发了为神经网络预期收益预测构建置信区间的新方法，证明其渐近分布并给出标准误闭式表达式，通过引入厌恶不确定性的投资框架提供了经济学依据，且实证表明该方法提升了样本外表现。
摘要：
资产定价中的机器学习通常将预期收益预测为点估计，忽略了不确定性。我们开发了新方法，为神经网络得到的预期收益构建预测置信区间。我们证明，神经网络对预期收益的预测与经典非参数方法具有相同的渐近分布，从而能够得到其标准误的闭式表达式。我们还提出了一种计算上可行的自助法来获取该渐近分布。我们将这些预测置信区间纳入一个厌恶不确定性的投资框架中。这为投资组合选择的收缩实现提供了经济学依据。在实证上，我们的方法提升了样本外表现。
英文摘要：
Machine learning in asset pricing typically predicts expected returns as point estimates, ignoring uncertainty. We develop new methods to construct forecast confidence intervals for expected returns obtained from neural networks. We show that neural network forecasts of expected returns share the same asymptotic distribution as classic nonparametric methods, enabling a closed-form expression for their standard errors. We also propose a computationally feasible bootstrap to obtain the asymptotic distribution. We incorporate these forecast confidence intervals into an uncertainty-averse investment framework. This provides an economic rationale for shrinkage implementations of portfolio selection. Empirically, our methods improve out-of-sample performance.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
