法国里昂商学院(EMLYON Business School)金融与数据科学教授Guillaume Coqueret在KeAi期刊 The Journal of Finance and Data Science发表的一项研究中，考虑了基于机器学习的因子模型的三个维度：因变量的持久性、样本的大小和持有期(即投资组合的再平衡频率)。他的分析集中在美国股市。

Coqueret教授说：“人们经常寻找变量之间的因果关系，但它们难以揭示和描述。这篇论文表明，找到持久的相关性基本上已经足够好了。” 他补充称：“长期回报随着时间的推移是稳定的，也更容易预测，但它们存在‘前瞻性’偏见的风险。我们不能使用未来的数据，所以训练样本需要回到过去，这意味着模型可能会过时。我们的研究发现，净效应仍然是积极的。”

这项研究的一个反直觉的结果是，即使投资者经常(如每月)再平衡，预测长期回报(如年度)更可取。“一种可能的解释是，短期回报非常不稳定。因此，基于它们的模型很难提供样本外的准确性。矛盾的是，似乎不断变化的短期关系在长期内得到了缓和，从而产生了轻微的惯性。”

Coqueret教授认为他的第二个重要发现更有意义：“需要长样本量(即深度训练样本)来优化模型的性能。该模型需要从最大的数据(市场配置)中学习启发式，以做出最精确的预测。”

他总结道：“在资产定价方面，现在有大量依赖大数据的实证研究。一项具有挑战性的任务是提出理论模型，以一种简洁的方式解释在市场中观察到的模式。这是金融经济学的一个中心话题，而且比以往任何时候都更加重要。”

The Journal of Finance and Data Science （JFDS）旨在成为金融和数据科学交叉领域研究的前沿杂志。期刊由美国宾州州立大学的Huang Jingzhi 教授担任主编。编委包括来自世界各地金融、经济、数学、统计及计算机领域的著名学者及业界人士，更有两位获诺贝尔经济学奖的学者。

本刊目前已被Scopus、DOAJ收录。

JFDS诚挚欢迎相关领域的学者积极投稿。

有关如何投稿及其它关于JFDS的信息请参考其主页：

www.keaipublishing.com/jfds