“浙大经院大讲堂”之修大成教授报告会举办
10 2025年5月19日下午，应vwin德赢AC米兰合作邀请，芝加哥大学布斯商学院修大成教授做客第122期浙大经院大讲堂，报告主题为“Financial Machine Learning: Rise, Breakthroughs, and Limitations ”。本次报告会由vwin德赢AC米兰合作主办，美国竺可桢教育基金会（the American Zhu Kezhen Education Foundation ）协办，vwin德赢AC米兰合作长聘副教授曾涛主持。
修大成教授首先介绍了机器学习在金融领域的应用背景。修大成教授指出，由于金融问题中大量可能高度相关的解释变量，以及可能高度复杂的非线性函数形式，机器学习的使用是不可避免的，并且研究者很早就开始无意识地使用机器学习方法研究金融问题。对于机器学习的黑箱问题，修大成教授认为应该从统计、算法和经济意义三个角度理解，并指出机器学习的黑箱主要体现在算法方面。
修大成教授以另类数据对收益率的预测为例介绍了机器学习在资产定价中的最新应用。人们常通过股票技术图中的某些特征来判断股票的走势，尽管此类技术分析是否真的有助于收益率的预测尚存争议。修大成教授与合作者认为，如果人类能够从图像中提取信息，那么机器学习的方法应该也能做到，于是他们使用机器学习方法，例如卷积神经网络，对股票的技术图进行图像识别，然后直接用于对收益率的预测。结果表明，此类方法有着良好的预测效果。
大语言模型同样能够用于期望收益预测。修大成教授指出，经典的文本分析往往基于关键词的提取，从中获取对投资者情绪的度量并用于收益率预测。但修大成教授与合作者借助大语言模型中的Embedding方法，将文本数值化为高维的向量，直接用于对期望收益的预测，取得了良好的预测效果。
修大成教授进一步讨论了机器学习的理论问题。资产定价中已经发现了许多的因子，机器学习方法可以用于因子选择与降维。修大成教授与合作者提出了适用于非线性因子模型的降维方法，并讨论了不同机器学习方法在预测收益率方面的表现。例如，在预测方面，修大成教授与合作者证明了最优的岭回归优于基准预测，而基准预测总是优于Lasso回归，这对于研究者选择适当的机器学习方法有着重要意义。
讲座最后，修大成教授总结了机器学习方法的一些局限，指出资产定价中进一步理解机器学习理论的必要性。在未来的研究中，如何连接金融理论与机器学习将是重要的课题。
在交流环节，修大成教授与老师同学们就机器学习方法的应用细节、大语言模型的发展与使用技巧、未来学习研究的重点等问题进行了交流，报告会在热烈的掌声中圆满结束。
