光华讲坛——社会名流与企业家论坛第7026期

主题：Machine Learning Equity Signals for Corporate Bond ETFs面向公司债ETF的机器学习股票信号

主讲人：上海财经大学滴水湖高级金融学院 唐雨山助理教授

主持人：金融研究院 牛子龙副教授

时间：11月10日 14:00-15:30

地点：光华校区35栋金融研究院202会议室

主办单位：金融研究院 科研处

主讲人简介：

唐雨山，上海财经大学滴水湖高级金融学院助理教授。罗格斯大学金融学博士，william威廉中文官网经济学、数学与应用数学学士。研究领域为实证资产定价、金融机器学习、金融计量及投资管理。研究成果发表于Management Science、Journal of Financial and Quantitative Analysis 等国际学术期刊。主持国家自然科学基金青年科学基金项目（C类），担任国家自然科学基金重点项目子课题负责人。

内容提要：

We study cross-market information diffusion by examining whether constituent stock returns predict corporate bond ETF performance. We find that stocks predict future ETF returns, and additional evidence supports delayed incorporation of firm-specific information and makes ETF mispricing or systematic risk less likely. Using Gradient Boosted Trees (GBT), we extract nonlinear signals that provide incremental value to simple portfolio signals. SHAP analysis makes the signal's incremental content economically interpretable, while randomized portfolios and economically unrestricted models perform weakly. These results highlight the role of economic structure in financial machine learning and provide evidence on cross-asset information transmission.

讲座主要围绕成分股收益能否预测公司债 ETF 业绩表现、探究跨市场信息扩散的研究展开。研究发现，个股收益能够预测ETF的未来收益；进一步的证据支持「公司层面信息被延迟纳入价格」这一解释，同时降低了以ETF错误定价或系统性风险来解释的可能。通过运用梯度提升树（GBT）提取非线性信号，这些信号相对简单的组合层面信号具有增量预测价值。SHAP分析使该信号增量信息的经济含义得以清晰阐释；相比之下，随机化组合以及未施加经济约束的模型表现均较弱。上述结果凸显了经济结构在金融机器学习中的关键作用，并为跨资产信息传递提供了经验证据。