{
  "schema_version": 1,
  "slug": "gu-kelly-xiu-2020-machine-learning",
  "title": "Empirical Asset Pricing via Machine Learning",
  "title_ja": "機械学習は株の期待収益を従来手法より正確に予測できるか",
  "authors": [
    "Shihao Gu",
    "Bryan Kelly",
    "Dacheng Xiu"
  ],
  "published_year": 2020,
  "venue": "Review of Financial Studies",
  "identifiers": {
    "doi": "10.1093/rfs/hhaa009",
    "arxiv": null,
    "jstage": null,
    "ssrn": null
  },
  "versions": [
    {
      "kind": "publisher",
      "url": "https://doi.org/10.1093/rfs/hhaa009",
      "label": "出版社・公式論文ページ"
    },
    {
      "kind": "publisher",
      "url": "https://academic.oup.com/rfs/article/33/5/2223/5758276",
      "label": "出版社の全文ページ"
    }
  ],
  "source": {
    "provider": "publisher",
    "metadata_license": "other",
    "text_reuse": "none",
    "accessed_at": "2026-08-11"
  },
  "categories": [
    "market_microstructure"
  ],
  "methods": [
    "regression"
  ],
  "sample": {
    "markets": [
      "US"
    ],
    "period": {
      "start": "1957",
      "end": "2016"
    },
    "universe": "米国株と企業特性",
    "frequency": "monthly"
  },
  "findings": [
    {
      "label": "機械学習による期待リターン推定",
      "effect": "機械学習による期待リターン推定",
      "value": null,
      "unit": null,
      "basis": "not_reported",
      "note_ja": "一次資料で主要結論は確認したが、定義を統一できる効果量は本レコードでは採録していない。"
    }
  ],
  "replication": {
    "status": "not_assessed",
    "evidence": [],
    "note_ja": "独立した標本外再現を本レコードでは評価していない。"
  },
  "caveats": [
    "single_market",
    "jp_untested",
    "pre_transaction_cost"
  ],
  "japan_applicability": {
    "status": "not_assessed",
    "note": "日本市場を直接検証していないため、日本株への適用可能性は未評価。"
  },
  "summary_ja": {
    "body": "複数の機械学習法を標本外比較し、非線形性と交互作用が予測性能に寄与すると報告した。",
    "derivation": "original_summary",
    "reviewed_by": "operator",
    "reviewed_at": "2026-08-11"
  },
  "explainer_ja": {
    "one_liner": "多数の企業情報から株の将来収益を予測するとき、機械学習、とくに決定木系とニューラルネットが従来モデルを上回るかを比較した研究です。",
    "question": "株の期待収益は、少数の指標を足し合わせる単純な式で十分に捉えられるのでしょうか。それとも、企業特性同士の複雑な組み合わせを扱える機械学習を使えば、未知の期間でも予測を改善できるのでしょうか。",
    "method": "一般化線形モデル、次元削減、ブースティング木、ランダムフォレスト、ニューラルネットなどを同じ枠組みで比較しました。モデル作成に使っていない期間で株式収益を予測する標本外評価を行い、その予測で組んだポートフォリオの経済的な成績も調べています。",
    "result": "機械学習は期待収益の標本外予測を改善し、投資成績にも大きな改善をもたらしました。なかでも決定木系とニューラルネットの成績が上位でした。優位性は、指標を単純に足すだけでは捉えにくい非線形な関係や指標同士の相互作用を学べる点にあり、主要な信号にはモメンタム、流動性、変動率が繰り返し現れました。",
    "interpretation": "『複雑なモデルなら何でも勝てる』という結果ではなく、未使用期間で比較し、どの種類の情報が効いたかを示した点が重要です。ただし過去データ上の予測性能であり、信号が収益を生む原因を証明したわけでも、将来や日本株で同じ成績になることを保証したわけでもありません。",
    "glossary": [
      {
        "term": "標本外評価",
        "note": "モデル作成に使わなかったデータで、予測力を確かめること。"
      },
      {
        "term": "非線形な相互作用",
        "note": "一つの指標の効き方が、別の指標の値によって変わる複雑な関係。"
      }
    ]
  },
  "source_verification": {
    "level": "fulltext",
    "checked_url": "https://academic.oup.com/rfs/article/33/5/2223/5758276",
    "checked_date": "2026-08-11"
  },
  "updated_at": "2026-08-11",
  "diagram_ja": {
    "type": "mechanism",
    "evidence_mode": "direction_only",
    "headline": "機械学習は株の期待収益を従来手法より正確に予測できるか",
    "caption": "機械学習は期待収益の標本外予測を改善し、投資成績にも大きな改善をもたらしました。なかでも決定木系とニューラルネットの成績が上位でした。図は方向だけを示し、利益額の大きさは表しません。",
    "mechanism": {
      "steps": [
        {
          "label": "研究の問い",
          "note": "株の期待収益は、少数の指標を足し合わせる単純な式で十分に捉えられるのでしょうか。"
        },
        {
          "label": "確かめ方",
          "note": "一般化線形モデル、次元削減、ブースティング木、ランダムフォレスト、ニューラルネットなどを同じ枠組みで比較しました。"
        },
        {
          "label": "分かったこと",
          "note": "機械学習は期待収益の標本外予測を改善し、投資成績にも大きな改善をもたらしました。"
        }
      ]
    },
    "profit_distance": {
      "observed": {
        "status": "supported",
        "note": "研究標本内で報告された方向です。"
      },
      "costs": {
        "status": "not_tested",
        "note": "売買費用を引いた利益は本レコードで未確認です。"
      },
      "replication": {
        "status": "not_tested",
        "note": "独立した別標本での追試は未評価です。"
      },
      "japan": {
        "status": "not_tested",
        "note": "日本市場での成立は検証していません。"
      }
    }
  },
  "aliases": [],
  "lint_waivers": [],
  "disclaimer_ja": "一般的な研究紹介であり、売買推奨・投資助言ではありません。"
}