Asset Pricing and Portfolio Selection via Machine Learning

Abstract

This thesis consists of three papers investigating stock returns forecasting, empirical asset pricing, and portfolio selection through the application of machine learning and quantitative methods. The first paper examines out-of-sample returns on 153 documented anomalies in equities, demonstrating that machine learning techniques, which aggregate these anomalies into a single mispricing signal, are profitable globally and effective even within a liquid universe of stocks. Notably, while past performance of quantitative strategies outside the U.S. does not reliably predict out-of-sample success within the U.S., U.S.-based evidence is broadly predictive of returns in international markets. The second paper introduces a novel method for predicting the full distribution of stock returns using a comprehensive set of 194 stock characteristics and market variables. This approach, free from restrictive model assumptions, leverages a two-stage quantile neural network with spline interpolation to explore non-Gaussian, heavy-tailed data and their non-linear interactions. The results indicate that this method outperforms traditional models in terms of out-of-sample losses and provides valuable alternative empirical estimates for mean estimation and forecasting across a wide range of U.S. and international...

Tato disertační práce se skládá ze tří článků, které zkoumají předpovídání výnosů akcií, empirické oceňování aktiv a výběr portfolia prostřednictvím aplikace strojového učení a kvantitativních metod. První článek zkoumá výnosy mimo vzorek na 153 dokumentovaných anomáliích v akciích a ukazuje, že techniky strojového učení, které agregují tyto anomálie do jednoho signálu nesprávného ocenění, jsou ziskové globálně a účinné i v rámci likvidního vesmíru akcií. Zejména zatímco minulá výkonnost kvantitativních strategií mimo USA nespolehlivě předpovídá úspěšnost mimo vzorek v USA, důkazy z USA jsou obecně prediktivní pro výnosy na mezinárodních trzích. Druhý článek představuje nový způsob předpovídání celé distribuce výnosů akcií za použití komplexního souboru 194 charakteristik akcií a tržních proměn- ných. Tento přístup, osvobozený od omezujících modelových předpokladů, využívá dvoustupňovou kvantilovou neuronovou síť s interpolací pomocí spline k prozkoumání negaussovských, těžkých ocasů dat a jejich nelineárních interakcí. Výsledky naznačují, že tato metoda překonává tradiční modely z hlediska ztrát mimo vzorek a poskytuje cenné alternativní empirické odhady pro odhad a předpovídání průměru ve velkém spektru dat z USA a mezinárodních trhů. Třetí článek zkoumá výkonnost portfolií mimo vzorek...