Historical-Memory Equity Selection: A Comparative Study of Retrieval, Neural Prediction, and Adaptive Mixing
本研究评估了一个用于跨六个市场的中期股票选择的以记忆为中心的研究框架，并发现虽然该方法使检索变得可分解，但基于相似性的记忆选择未能优于随机先例或历史基准，最终在投资组合表现方面与被动策略相比未显示出统计学上的显著改进。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
投资股市往往感觉就像是在暴风雨中心试图预测天气。投资者观察过去的模式，希望历史会重演，但金融世界是混乱的。价格以复杂的方式波动，受到全球事件、人类情感以及人们对风险感知突然变化的影响。几十年来，金融专家一直试图构建更好的工具来应对这种混沌。一个充满前景的想法是使用强大的计算机程序，特别是那些旨在理解长序列数据的程序，来发现人类可能忽略的模式。另一个想法是为这些计算机创建一个“记忆”——一种回顾与今日相似的特定过去时刻并观察随后发生了什么的方法。希望通过将这些现代工具与清晰、可检查的决策历史记录相结合，我们可以对持有几个月的股票做出更明智的选择。
一组研究人员着手测试这种结合了先进计算机模型和严格历史记忆的方法是否真的比更简单、传统的策略更有效。他们构建了一个系统，可以观察包括美国、印度和英国在内的六个不同国家的数千只股票，时间跨度为 2020 年至 2025 年的六年。他们的目标是观察计算机挑选出的股票组合，其增值程度是否能优于随机选择或买入所有股票并平均分配的基本策略。为此，他们创建了一个框架，让计算机可以基于自身的学习进行预测，或者查找二十五个与当前情况相似的过去案例，或者将这两种方法结合起来。至关重要的是，他们设计了“记忆”部分，使得每一项决策都可以追溯到具体的历史记录，使过程透明且易于检查。
研究人员通过一项涉及一百多只股票和超过四百万次策略预测的严格模拟运行了他们的系统。他们比较了十六种不同的策略，从简单的动量规则到复杂的神经网络，以及他们新的基于记忆的系统。他们衡量成功的标准不仅在于计算机预测未来的准确程度，还在于在考虑交易成本和风险后，一个投资组合实际能赚取多少钱。结果令人惊讶且有些谦逊。表现最好的策略并不是高科技记忆系统，也不是先进的神经网络。相反，最简单的方法赢得了胜利：一种买入等量股票并持有的被动策略。这种简单的方法实现了比任何复杂模型都更高的回报率和更好的风险调整得分。
研究人员构建的特定记忆系统（试图寻找最佳的过去案例来指导未来的选择）表现实际上低于预期。它的回报率低于仅仅随机选择过去案例的系统。它也未能击败一个仅使用整个市场平均回报率作为指导的基本策略。研究人员发现，计算机寻找“相似”过去情况的尝试并没有带来更好的投资决策。事实上，每当他们将该记忆系统与更简单的对照组进行比较时，该记忆系统在方向上都处于劣势，显示出负向的性能差异。即使他们尝试让计算机决定何时使用记忆以及何时使用自身的预测，结果也并不比坚持使用更简单的方法更好。
这项研究并未证明计算机无法在投资方面提供帮助，但它确实表明，仅仅添加历史记忆或使用复杂的模式匹配工具并不会自动使策略变得更有利可图。研究人员强调，虽然他们的系统使决策过程非常清晰且易于审计——允许任何人看到使用了哪些过去的记录来做出选择——但这透明度并没有转化为额外的利润。计算机找到的“相似”过去情况实际上并不能很好地预测接下来会发生什么。研究表明，金融市场可能过于复杂或变化过于剧烈，以至于这类特定的历史类比在他们测试的这六年期间无法奏效。
最终，这项工作是对围绕金融领域人工智能热潮的一次谨慎检查。它表明，拥有一个能够回顾历史并解释其推理过程的工具，对于理解一个模型如何运作是有价值的，但这并不能保证模型是正确的。研究人员得出结论，他们基于相似历史记录来挑选股票的具体方法，与完全不做任何特殊处理相比，并没有增加任何价值。对于投资者和开发者而言，教训是：在过去寻找模式并不等同于寻找通往未来利润的路径，有时最简单的方法仍然是最有效的。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。