神经网络通过从复杂数据集中提取信息，超越了传统预测方法（如线性回归分析）的能力。它通过应用线性组合和非线性变换层，将初始输入转化为大量参数。由于神经网络本质上是一种模型，意在通过一次校准处理所有预测任务；因此需要大量参数。神经网络的一个关键限制是其不透明性。生成最终参数的各类变换过程几乎无法明确地把观测与结果联系起来。此外，神经网络无法对某个具体预测的可靠性提供前瞻性的指导。最后，神经网络会受到已...
See Details我们的研究为可持续投资者将先进的自然语言处理（NLP）模型融入决策流程提供了一个框架。通过利用基于BERT和基于Transformer的模型，投资者可以系统性地分析实时新闻，识别与ESG相关的内容，并从这些内容中提取基于情感倾向的投资信号。尤其是，比如GPT、Llama和Mistral等基于Transformer的模型能够对上下文情感和细微语言表达深入理解，从而更准确地进行ESG分类与评估。这些模...
See Details机器学习，尤其是深度学习，已经彻底变革了自然语言处理（NLP）、计算机视觉和生成模型等领域。在时间序列预测领域，机器学习与深度学习的统治力尚未显现；关于它们是否比传统方法乃至简单方法更有效，学界仍存争议。本文使用长达47年的日度数据，比较了计量经济学/时间序列分析、经典机器学习和深度学习方法在美国国债收益率曲线数据上的预测表现。结果表明，ARIMA和朴素计量经济学模型的表现优于其他模型，仅在一个时...
See Details