未来金融创新工程中心

近日，国际知名学术出版机构Wiley发布年度高被引论文名单。由中心研究员吴轲教授团队合作发表的论文《Identifying factors via automatic debiased machine learning》入选2024 年度高被引论文，并获Wiley颁发荣誉证书。该研究成果发表于计量经济学国际著名学术期刊Journal of Applied Econometrics，体现了团队在资产定价与机器学习交叉领域的持续创新能力和国际学术影响力。

一、成果介绍

资产定价中的因子识别问题一直是现代金融学研究的核心议题。在“因子动物园”不断扩展、候选解释变量日益增多的背景下，如何在高维数据环境中准确识别真正具有定价能力的风险因子，已成为国际资产定价研究面临的重要挑战。

围绕这一前沿问题，论文创新性地将自动化去偏机器学习（automatic debiased machine learning, ADML）方法引入资产定价研究，在允许随机贴现因子具有非线性结构的框架下，稳健识别单个因子的边际定价效应。研究表明，该方法能够有效缓解传统机器学习方法在高维金融数据分析中容易出现的估计偏误、过拟合和统计推断不稳健等问题，从而为复杂金融环境下的因子识别提供了新的研究路径。在实证方面，基于1976-2017年的美股市场因子数据开展系统检验，发现相较于传统线性框架，非线性识别方法能够揭示更多具有显著定价能力的风险因子，并在因子筛选和模型解释力方面表现出更强优势。进一步地，研究还将分析拓展至中国股票市场，发现情绪驱动型因子在中国市场中具有更强的解释力，为理解不同市场环境和投资者结构下的资产定价机制差异提供了新的经验证据。

该成果的价值不仅体现在方法层面的创新，更在于推动机器学习方法由一般技术工具进一步转化为具有金融经济学解释力的研究范式，对高维资产定价研究、金融计量方法发展以及中国市场经验事实的理论刻画均具有重要意义。

       Journal of Applied Econometrics 是计量经济学领域的权威学术期刊，在计量经济学方法创新与实证经济研究中具有广泛国际影响力。此次论文入选 Wiley 年度高被引论文，表明该成果获得了国际学术界的持续关注与积极认可，也体现了中心研究团队在资产定价、金融计量与机器学习的交叉研究领域长期积累的扎实基础和原创潜力。

二、作者简介

吴轲，中国人民大学财政金融学院教授、博士生导师，应用金融系主任、未来金融创新工程中心副主任。主要研究方向为资产定价、投资组合管理、大语言模型、机器学习与金融计量学。主持多项国家自然科学基金项目，参与科技部国家重点研发计划，出版学术专著《资产定价与机器学习》、教材《金融大数据分析》，在 Management Science、Journal of Financial and Quantitative Analysis、Journal of Applied Econometrics 等国际高水平期刊发表论文十余篇，获评中国人民大学吴玉章青年学者、教学标兵、优秀科研成果奖等。

Esfandiar Maasoumi，埃默里大学经济系杰出讲席教授，国际领军计量经济学家，曾长期担任计量经济学国际著名学术期刊 Econometric Reviews 主编，主要研究方向为应用微观计量、收入不平等与信息测度等，在American Economic Review、Econometrica、Journal of Political Economy、Review of Economic Studies、Journal of Econometrics 等国际顶级期刊发表多篇论文。

王涧秋，首都经济贸易大学金融学院副教授、博士生导师，金融科技系副主任。主要研究方向为实证资产定价、金融科技与金融计量学，主持国家自然科学基金青年项目、北京市社会科学基金青年项目，在Journal of Applied Econometrics、Journal of Financial Markets、Journal of Empirical Finance 等期刊发表多篇论文。

王卓，西南财经大学金融学院讲师，2024年博士毕业于中国人民大学财政金融学院。主要研究方向为实证资产定价、金融计量学、大数据与机器学习，主持教育部人文社科青年项目，在Journal of Applied Econometrics、Journal of Futures Markets、International Journal of Forecasting以及《中国工业经济》等期刊发表多篇论文。

三、论文信息

     

        论文信息：Maasoumi E., Wang J., Wang Z., & Wu K. (2024). Identifying factors via automatic debiased machine learning. Journal of Applied Econometrics, 39(3), 438-461. https://doi.org/10.1002/jae.3031。