一篇可以用于指导回测设计和帮助理解ML、DL交易策略论文的论文分享

论文名称是Machine Learning versus Economic Restrictions: Evidence from Stock Return Predictability。
1. 论文主要做了一件事，就是将相同的DL模型应用在一大一小两个样本上。大样本是所谓的全样本，包括了美国市场的所有股票；小样本是有限制的样本，其中根据不同条件会去除一部分股票，例如去除一些低评级，小市值的股票等。
1. 结果是：在大样本上，DL模型通常由非常好的表现，例如其中两个模型使用价值权重的Long-Short策略可以达到每月1.56%和2.18%的收益，但在小样本上的表现下降到只剩不到三分之一。
3. 原因：美国市场上市场异常主要来自于这些存在限制的股票，而这些ML模型可以有效的发现这些异常，如果不考虑真实交易限制，那这些异常可以带来丰厚的利润。
4. 文章的结论主要有两个：1. ML和DL确实能帮助设计能持续盈利的交易策略；2. 交易限制和成本对这些策略的影响不可忽略。
5. 思考：首先，现在有大量的应用ML或DL策略的论文涌现，论文中的模型表现都异常优秀，可能就是利用这个漏洞，因此在应用新的成果时要谨慎；其次，ML确实能发现市场异常，剩下的就是交易执行问题，这是另一个层面了；最后，中国市场的一些独有特点是不是会在一些美国定义的有限制股票上产生额外的流动性？如果大家看到有好的研究成果可以推荐下。

最后，有兴趣的可以去阅读下原文，原文章包含更多的内容，非常扎实，推荐。同时欢迎讨论。