收益预测：从线性回归到深度网络与另类数据

综述第 3 章（Return Prediction），全文篇幅最大、结论最扎实的部分：把十年来”用 ML 预测股票收益”的文献按方法谱系排成一列。本页来自 Kelly–Xiu 免费综述（SSRN 4501707）的精读，重点是给每类方法一个结论 + 一篇代表作。

方法谱系：一条从简到繁的线#

综述把收益预测方法排成谱系，每一档都回答”比上一档多赚了什么”：

方法档位	核心思想	代表论文
简单线性	少数变量 OLS，基准线	Welch & Goyal（2008，泼冷水经典）、Lewellen（2015）
惩罚线性	Lasso/Ridge/弹性网，吃下几百个特征	Rapach, Strauss & Zhou（2013）、Chinco 等（2019）
降维	PCA 回归、PLS、三步回归滤波	Kelly & Pruitt（2013, 3PRF）、Light 等（2017）
树模型	自动捕捉非线性与交互	随机森林 / GBRT，Moritz & Zimmermann（2016）
神经网络	通用逼近，浅层往往够用	Gu, Kelly & Xiu（RFS 2020）

锚点论文：GKX 2020#

《Empirical Asset Pricing via Machine Learning》是全领域的基准实验：美股全市场约 3 万只股票 × 94 个公司特征 × 60 年，统一比较十余种模型。核心结论：

非线性有真金白银：树模型和浅层神经网络稳定优于所有线性方法，个股月度样本外 R² 从约 0.3% 提到 0.4%（别嫌小——横截面上这点差距对应组合层面夏普接近翻倍）；
重要特征高度集中：动量类、流动性类、波动率类特征贡献了大部分预测力——ML 没有发明新异象，而是更聪明地组合了已知信息；
深度不是越深越好：三层左右的浅网络最优，更深反而变差——金融数据的信噪比养不起真正的深度。

各国复现基本支持上述排序。对 A 股用户特别相关的一篇：Leippold, Wang & Zhou（JFE 2022）《Machine learning in the Chinese stock market》——在 A 股复现 GKX 框架，发现流动性与波动率类特征比在美股更重要，且散户占比高使得短期可预测性更强。

实验设计的规矩（3.2 节，实践含金量最高）#

滚动/扩张窗口训练、验证集调参、严格样本外评估；用横截面相对预测而非绝对水平预测；评估用组合分层收益而不只是 R²。这套规矩就是本平台 IC 分析 + 分层回测流程的学术版。

另类数据（3.10 节）：文本与图像#

文本：Ke, Kelly & Xiu《Predicting Returns with Text Data》提出 SESTM——用监督学习从新闻里筛选情绪词并给文章打分，纯文本信号在美股有显著短期预测力且随新闻新鲜度衰减。这一支的方法演进：词典法 → 词频监督学习 → 词向量 → 大语言模型；
图像：Jiang, Kelly & Xiu《(Re-)Imag(in)ing Price Trends》（JF 2023）把 K 线图当图片喂给 CNN，学出的信号类似”更聪明的动量/反转”，且跨市场迁移能力强——证明价格形态里确有可学的结构；
综述的态度：另类数据是增量信息的最可靠来源，但处理成本高、生命周期短，工程能力本身就是壁垒。

带走的三句话#

十年文献一句话：非线性和大特征集有真实增量，但赢家是浅网络和树模型，不是越深越好——金融的信噪比养不起真深度；
ML 预测器的收益来源高度集中在动量、流动性、波动率三类特征——先把这三类因子在本平台做扎实，就是在复现文献主干；
深挖清单：方法看 GKX 2020，A 股看 Leippold 等 2022，文本看 SESTM，图像看 CNN 读图——四篇构成这一章的骨架。