人工智能和资产定价：变压器的力量
快速阅读: 《VoxEU.org》消息，AI正重塑资产定价领域。本文探讨了基于Transformer的AI模型如何通过捕捉资产间相互依赖性减少定价误差并提高预测准确性。实证结果显示，该模型降低了定价误差，提升了夏普比率。这为投资者和政策制定者提供了新视角，强调了AI在金融市场中的重要性及其对市场效率的潜在影响。
人工智能（AI）的快速发展正在重塑诸多领域，金融行业也不例外。在传统上由线性模型和基于因子的方法主导的资产定价领域，如今正因AI在金融数据中发现持久预测模式的能力而发生变革性的转变。大规模AI模型的引入，尤其是融入了Transformer架构的模型，显著提升了我们对资产与企业间复杂关系建模的能力（Eisfeldt等，2023），从而改善了预测和风险评估。
本文将探讨，特别是融入了Transformer的AI驱动资产定价模型如何利用资产间的相互依赖性来减少定价误差并提高预测准确性。这些创新为金融市场如何处理信息以及确定资产价格提供了新的视角。
### 传统资产定价模型与AI驱动的资产定价模型
大多数传统资产定价模型，如法玛和弗伦奇（1993）框架，依赖于预先定义的因素来解释资产回报。尽管有效，但这些模型假设资产特征与预期回报之间存在固定且线性的关系。相比之下，AI引入了一种非线性、数据驱动的方法，能够识别出传统方法通常无法看到的模式。机器学习模型，包括基于树的方法和神经网络（顾等，2020），通过捕捉公司特征与回报之间的复杂关系，提高了资产回报预测能力。然而，这些模型通常侧重于“单一资产预测”，即仅使用资产的个体特征来估计未来回报。这种方法忽略了资产交互的更广泛语境。
### Transformer在资产定价中的作用
在最近的一篇论文（Kelly等，2024年）中，我们介绍了人工智能定价模型（AIPM），该模型将Transformer网络嵌入到随机折现因子（SDF）框架中。尽管最初是为自然语言处理设计的，但我们展示了Transformer由于能够捕捉资产间的横向依赖关系，在金融应用中表现得非常有效。与传统的机器学习模型不同，Transformer包含了“注意力机制”，允许它们根据相关性动态调整对不同输入的权重。在资产定价背景下，这意味着模型不仅考虑资产自身的特性，还考虑这些特性与其他资产特性的相互作用。这种方法通过利用市场范围的信息显著增强了预测能力。
### 实证结果：基于AI模型的表现
我们使用美国股票回报和条件变量的数据集评估了基于Transformer的AIPM模型的性能。与传统的资产定价模型和其他机器学习方法相比，AIPM表现出：
– **更低的定价误差**：该模型实现了显著降低的样本外定价误差，比传统的基于因子的模型和没有注意力机制的神经网络表现更好。
– **更高的夏普比率**：通过整合资产间的相互依赖，基于Transformer的模型在风险调整后收益方面优于现有方法。
– **可扩展性和复杂度提升**：我们发现通过纳入更深的Transformer层来增加模型复杂度始终能提升预测效果。这表明当应用于资产定价时，AI模型确实能从更高参数化中获益。来自大型语言模型文献的实证证据（例如，卡普兰等，2020年）表明，添加更多的Transformer块可以增强模型有效地表示语言的能力。具有更深架构的模型能够捕捉比浅层模型更抽象的特征及更长程的依赖关系。每一层额外的注意力机制都得到优化，使模型能够同时兼顾短期与长期关系。有趣的是，在资产定价模型的背景下也出现了同样的Transformer复杂性带来的好处。
这些发现表明，AI驱动的资产定价模型在处理大量金融数据方面更为高效，从而实现更准确和稳健的预测。
### 对投资者和政策制定者的启示
将AI集成到资产定价中对市场参与者和政策制定者有着深远的影响。投资者可以从AI识别微妙定价效率低下的能力中受益，这一概念与关于AI和个人特质塑造经济回报的研究相一致（马科里迪斯，2025）。与此同时，监管机构和政策制定者必须考虑AI驱动交易对市场稳定性和效率的影响。此外，资产定价中采用AI挑战了传统市场效率的观点，呼应了更广泛的关于AI宏观经济影响和生产率增长的担忧（菲利皮尼等，2024）。如果AI模型持续优于经典框架，则可能表明市场不如之前认为的那样高效，为探究定价异常的本质开启了新方向。
### 结论
人工智能与金融的融合正在彻底革新资产定价。我们的研究表明，基于Transformer的模型通过利用资产间的横向依赖关系显著增强了回报预测能力。随着AI的不断演进，它在金融决策中的角色只会扩大，为投资者带来新的机遇，并重新塑造我们对市场动态的理解。
### 参考文献
– 顾，S，B凯利和D修（2020），“通过机器学习进行资产定价”，《金融研究评论》33（5）：2223-2273。
– Eisfeldt，A，G舒伯特和M B张（2023），“生成式AI与公司估值”，VoxEU.org，6月4日。
– 法玛，E和K弗伦奇（1993），“股票和债券回报中的共同风险因素”，《金融经济学杂志》33（1）：3-56。
– 菲利皮尼，F，P加尔和M施伊夫（2024），“奇迹还是神话？评估人工智能带来的宏观经济生产力增长”，VoxEU.org，12月8日。
– 卡普兰，J，S麦坎德利什，T海尼根等人（2020），“神经语言模型的缩放定律”，arXiv预印本arXiv：2001.08361。
– 凯利，B库兹涅佐夫，S马拉穆德和T徐（2024），“人工智能资产定价模型”，NBER工作论文No. w33351。
– 马科里迪斯，C（2025），“技术变革中人格特质在塑造经济回报中的作用”，VoxEU.org，1月31日。
– 瓦斯瓦尼，A，N沙泽尔，N帕尔默，J乌斯科雷特，L琼斯，A N戈麦斯，L凯泽和I波洛苏金（2017），“注意力就是你所需要的”，《神经信息处理系统进展》30。
(以上内容均由Ai生成)
