本文提出并验证一个替代理由:理性预测者在噪声信号面前通过最优正则化(shrinkage)以最小化均方误差,从而系统性地产生被传统效率检验(如Coibion–Gorodnichenko (CG))解读为“偏差”的模式。理论给出CG系数的封闭形式并预测随正则化强度、噪声持久性和波动变化的可检验比较静态;实证用IBES分析师预测与三类ML方法(ridge、boosting、RF)的跨时、跨截面与超参数实验检验这些预测,发现ML在短期接近无偏但在两年期强烈过度反应,且正则化变化能单调改变CG系数,技术分析师在2013年后随ML采用出现显著行为转变,这说明所谓的“行为偏差”可能部分源于统计上的最优正则化而非认知失误
实验设计:在模拟/回测中系统性调节ridge的惩罚参数与GB的learning rate以观测γ_CG的响应并记录OOS MSE。结果显示:
实验结论:通过外生改变正则化强度可以“控制”CG系数方向与幅度,直接支持正则化机制而非纯粹心理假設 .
以下为对“Murray Z. Frank, Jing Gao, and Keer Yang (2025) — Behavioral Machine Learning? Regularization and Forecast Bias”研究报告的逐字、分节、深入剖析与图表解读报告,内容尽量完全覆盖原文的重要论点、数据、假设与结论,并在从原文得到的结论或推断处附上页码溯源标识([page::页码])。文本结构清晰并包含图表引用与评估。总体风格:客观、专业、详尽。
一、元数据与概览(引言与报告概览)
二、逐节深度解读(按照报告结构)
三、图表深度解读(逐图逐表) 说明:下面对文中主要表格与图形逐一解读并解释其在文本论证中的角色、关键数值与潜在局限性;对原文中的图片使用报告中给定的相对路径以 markdown 格式嵌入。
四、估值/计价分析(本报告相关性)
五、风险因素评估(报告作者已识别或隐含的风险)
六、批判性视角与细微差别(审慎性评价)
七、结论性综合(综合全文最关键发现与建议)
八、附加图像引用(报告中关键图像的原文相对路径嵌入)
九、总体评价(总结性陈述)
若您希望,我可以:
结束语:本分析力求全面覆盖报告的逻辑链、数据实现、图表证据与潜在局限,并在从原文得到的每一重大结论或推断处附上页码溯源标识以便追溯与核验。若需我将本文转换为幻灯片或为政策制定者/学术同行准备简明要点摘要,也可继续协助。
2303.16158.pdf