只用 12 個月的資料,去訓練一萬兩千個參數,還不加任何懲罰項——這種教科書會說「一定過度擬合」的 AI 模型,真的能打敗大盤嗎?這一集我們拆解量化金融圈吵得最兇的三篇論文:2024 年 Kelly、Malamud 和 Zhou 的「複雜度的美德」宣稱樣本外夏普比率比大盤高出 0.47;2025 年《Journal of Finance》主編 Stefan Nagel 親自下場,證明它其實只是披著華麗外衣的動能策略;2026 年 Jensen 等人再把交易成本算進來——帳面毛夏普比率 2.1 的模型,一碰到市場衝擊成本,淨報酬就直接變成負的。
🎧 這集你會聽到:
・複雜度的美德:把 15 個總經變數用隨機傅立葉特徵展開成 12,000 個非線性特徵,用無脊回歸(ridgeless regression)硬是訓練
・良性過度擬合:參數遠多於樣本時,雜訊被均攤到上萬個參數上互相抵消,產生自我正則化效果
・R 平方是巨大的負值,為什麼模型還能賺錢?投資看的是方向,不是預測數字準不準
・Nagel 的反擊:這個模型在數學上等價於核回歸,在緩慢變動的總經變數和 12 個月視窗下,永遠只會找到「最近」,本質就是追高殺低的動能策略
・證偽測試:換成「漲多必跌」的假資料,模型依然執行動能策略,績效直接變負
・交易成本的殘酷:傳統「先預測、再最佳化」的 Markowitz ML 依賴小型股與短期反轉,換手率極高,加入 Kyle's Lambda 價格衝擊後淨報酬變負
・Portfolio ML:不預測個股報酬,直接學投資組合權重,並把交易成本寫進目標函數;淨夏普比率 1.33,最重要的特徵從短期反轉換成品質(quality)
・可實作效率前緣(implementable efficient frontier):資金規模越大,前緣越往下彎,這也解釋了頂尖高頻交易公司為何嚴格限制資金規模
・台股研究方向:重做證偽測試、把訓練視窗從 12 個月拉長到 36 個月以上找臨界點,並把 0.3% 證交稅、10% 漲跌停、月營收與三大法人籌碼寫進 Portfolio ML
📚 本集引用文獻:
Kelly, B., Malamud, S., & Zhou, K. (2024). The Virtue of Complexity in Return Prediction. Journal of Finance, 79(1).
https://doi.org/10.1111/jofi.13298
Nagel, S. (2025). Seemingly Virtuous Complexity in Return Prediction. NBER Working Paper 34104.
https://doi.org/10.3386/w34104
Jensen, T. I., Kelly, B., Malamud, S., & Pedersen, L. H. (2026). Machine Learning and the Implementable Efficient Frontier. Review of Financial Studies, 39(10).
https://doi.org/10.1093/rfs/hhag022
⚠️ 本集內容依論文摘要整理,語音由 AI 生成,可能簡化細節,引用前請以原始論文為準。
▶️ YouTube 影片版:
https://youtu.be/U5lWJP2GU
AI 研究室|把論文聽進去 🎙️