对本文的总体评价为：（1-5分，5分最高）

可参考以下标准：

• 5分：佳作、开创性成果
• 4分：合格的优秀论文、可直接接收发表
• 3分：小改（Minor）后可接收
• 2分：需要大改（Major）
• 1分：价值有限，即使修改后亦不能发表
• 0分：本wiki不收录0分的论文。。。

A Machine Learning Approach to the Fama-French Three- and Five-Factor Models

1. Boubacar Diallo, Qatar University - College of Business and Economics
2. Aliyu Bagudu, AiFi Technologies LLC
3. Qi Zhang, People’s Bank of China

2019

SSRN

Asset pricing model, factor model, machine learning, support vector regression, Bayesian optimization

This research proposes new estimations of the Fama-French three- and five-factor models via a machine learning approach. Specifically, it uses a Bayesian optimization-support vector regression (BSVR) approach to obtain predictions of portfolio returns. On data from five industries’ portfolio returns in the United States over the period July 1926 to January 2019, the BSVR models perform well. Specifically, our new model, called the Fama-French BSVR three-factor model, outperformed the Fama-French BSVR five-factor model. More precisely, the Fama-French BSVR three-factor estimations attain out-of-sample (testing dataset) correlation coefficients of 94% for portfolio returns for the consumption and manufacturing industries. A correlation of 92% between the predicted and experimental values of portfolio returns was found for the high-tech industry; 91% was found for the mining, construction, transportation, hotels, entertainment and finance industries. However, for the Fama-French BSVR five-factor model, the correlation coefficients lie between 48% (health industry) and 89% (high-tech industry).

Diallo, Boubacar, Aliyu Bagudu, and Qi Zhang. “A Machine Learning Approach to the Fama-French Three-and Five-Factor Models.” Available at SSRN 3440840 (2019).

1. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3440840
2. https://eyun.baidu.com/s/3bqojKyr

1. 论文是关于什么的？[请提供该论文的简要摘要。]

作者利用SVR模型和贝叶斯优化算法（BSVR）对Fama-French三因子模型和五因子模型做了实证分析。结果显示基于BSVR的三因子模型在样本外数据上表现较好，泛化误差低，而基于BSVR的五因子模型则表现较弱。

2. 这篇论文的长处和短处是什么？[请以以下角度评述：（a）创新（研究问题、建模、方法等）；（b）相关性（研究问题、发现等）；（c）严谨性（适当的方法、分析的正确性等）]

这篇论文属于将新方法应用于旧问题，在研究问题上没有创新。作者的创新之处在于在建模时选用SVR算法，SVR算法本身具有低泛化误差，抗数据扰动等优点。此外，作者利用贝叶斯优化理论自动寻找SVR模型的超参数，减少了手动调参的工作量，提高了模型的准确性。

这篇论文使用机器学习的建模研究方法，将样本数据分外training data和testing data两部分，利用training data训练模型，利用testing data验证模型精度，分析方法正确、严谨。

文章在数据选择方面进行了多样化处理，包括各行业多年度的数据，可以避免一些选择性的偏差 徐文俊 2019/09/21 19:42

3.如果有的话，潜在改进的主要地方是什么？[如果这些关键要求和建议能够被适当处理，请重点关注能使文章发表的关键要求和建议。如果你看到不可逾越的障碍，请清楚地描述你的担忧。如果能为编辑和作者提供具体有建设性的意见最好不过了，并在可能的情况下，提出可行的建议。同样，应避免含糊不清和/或含糊不清的批评。]

对于模型训练出来的参数，作者只基于行业分组做了简单的比较分析，并未做进一步的研究和分析。从模型整体来说，作者可以从经济和金融学原理出发，尝试对参数进行定性分析，并给出经济学和金融学的解释。对于行业的横向比较，作者也可以从经济学和金融学的原理出发，尝试去探究其参数差异背后的原因，并给出解释。

4.如果有的话，潜在改进的微小地方是什么？[再次，请具体说明。]

文章结构过缺失，关键的实证部分只简单的介绍了实证数据和相关模型，而后直接给出结果，作者并没有详细说明如何将支持向量机应用到三因子和五因子模型上，也没有实证过程的描述。同时在对结果的解释方面做的不够，只是简单的描述了实证所呈现出来的结果，没有对其原因进行分析。 徐文俊 2019/09/21 19:42

5.有没有机会做一项新的研究？

这篇论文得出的一个结论是三因子模型相比五因子模型具有更好的泛化性能，但作者没有进一步探究原因并给出解释。这也归因于机器学习方法的优势在于预测，SVR对于变量的解释能力较弱。从直觉上来说，五因子模型引入更多特征，其预测效果应该是更好。对于这个问题，可以作为进一步的研究方向。

这篇文章用新方法于旧问题上，我们也可以使用其他的新方法于这个旧问题上，比如使用其他的机器学习的方法。徐文郡 2019/09/21 09:50