可解释的深度学习用于股票回报：一种共识瓶颈资产定价模型

于红博

摘要: 我们介绍了共识瓶颈资产定价模型（CB-APM），这是一个结合了深度学习的预测能力和传统金融的结构透明性的框架。通过将聚合分析师共识作为一个结构性的“瓶颈”，该模型将专业信念视为市场高维信息集的充分统计量。我们发现针对年度视野存在惊人的“可解释性-准确性增强效应”，结构性约束作为内生正则化器，显著提高了超越基准模型的外样本R2。按照CB-APM预测排序的投资组合呈现出强烈的单调收益梯度，提供了年化夏普比率为1.44的稳健表现，并在宏观经济体制下表现出色。此外，定价诊断显示，学习到的共识仅部分捕捉了经典因子模型未能涵盖的价格变动，识别出标准线性模型系统地忽略的结构化风险异质性。我们的结果表明，将机器智能锚定在人类专家信念形成上，不仅是透明度工具，而且是发现信念驱动风险溢价新维度的催化剂。

更新时间: 2025-12-31 06:16:51

领域: q-fin.PR,cs.AI,cs.LG

下载: http://arxiv.org/abs/2512.16251v3