52 個別市場訓練模型表現更佳 另一方面，我們針對每個市場分別訓練神經網路模型，使模型能夠提取特定市場回報特 徵關係，我們得到了更優異的結果。當特定市場模型與美國訓練模型的相似度較低，以 及神經網路模型的隱藏層較多時，這些良好結果更為顯著。很顯然，個別市場獨特的本 地因素所帶來的差異，這種差異導致驅動股票收益的「特徵與回報之間的關係」，在不 同市場中並不相同，一個統一性的全局模型，難以捕捉這些細微但至關重要的差異。 值得強調的一點是，有跡象表明，在觀測值較少的市場中，迴歸樹會過度擬合樣本內數 據，以致表現遜於線性模型。換句話說，我們透過迴歸樹模型的對比實驗，發現數據觀 察量起顯著的作用，在小樣本環境下，簡單的線性模型，反而較複雜模型更具穩定性。 雖然不同市場的回報生成過程似乎有所不同，但國際市場並非完全分割，除差異外，市 場各部分之間仍能相互影響，有所互通。當我們將美國特徵的差異，以及股票特徵與其 各自的美國特徵差異之間的相互作用，作為補充的自變量，我們發現，特定市場的神經 網路模型（尤其是在與世界融合程度更高的國家）表現將更加強大。 市場特定訓練至關重要 總的來說，我們運用機器學習技術，基於企業特徵預測全球股票收益。研究結果反映， 市場特定訓練至關重要—相較於使用美國數據訓練的全局模型，在各市場單獨訓練 的神經網絡模型，能夠獲得更優異的結果。神經網絡在預測股票收益排名和構建盈利投 資組合方面，均優於線性模型。相反，當觀測樣本數量較少時，回歸樹模型表現不及線 性模型。研究還清楚顯示，引入基於美國企業特徵構建的變量（可能包含國際股票特徵 之外的信息），能夠進一步提升特定市場神經網絡的收益預測能力，為投資者取得超額 收益的機會。有興趣詳細了解，可參考筆者的論文“Alpha Go Everywhere: Machine Learning and International Stock Returns”。 ［後文簡介］—下篇文章〈分析師報告文本價值優於數據〉。在資本市場，價格波動， 更充斥繁多且複雜的信息，故而分析師（Analyst）扮演了一個信息中介的角色，定期 發表研究報告。作者的研究發現，分析師報告裡的文字信息，較數據信息更為重要，對 股價的影響更大。 原刊《香港經濟日報》2026 年 2 月 28 日 1 投資市場萬變
RkJQdWJsaXNoZXIy NDk5Njg=