2025年11月10日上午，上海财经大学滴水湖高级金融学院第十二期常规学术报告在学院622会议室成功举办。香港城市大学副教授冯冠豪受邀，就其研究成果《Growing The Nontraded Factors: A Machine Learning Mimicking Portfolio Approach》发表了精彩演讲。上海财经大学滴水湖高级金融学院青年教师、博士研究生参与了本次学术活动。
SUFE-DAFI
宏观因子估计是资产定价领域的核心议题，其准确性直接决定宏观经济风险向资产价格的传导逻辑能否被精准捕捉，不仅关乎对市场定价机制的认知，更深刻影响投资策略制定与风险防控，在连接宏观经济与资本市场中发挥关键作用。
冯冠豪教授与其团队聚焦不可交易宏观因子（如宏观不确定性、市场情绪、中介资本风险）的风险溢价估计难题，指出传统方法（如双重回归、标准模拟组合）普遍存在模型误设、弱识别及基准选择主观等缺陷。基于 1970-2023 年高维度企业特征数据与 69 个主流因子，团队创新提出 “模拟投资组合树（MPT）” 方法，借助决策树算法构建与目标因子高相关性的模拟组合，显著提升估计精度。
实证显示，MPT 组合样本内、样本外相关性均远超传统方法（如 FF3、q4 组合），仅 1/3 因子具备显著正风险溢价，且可纳入交易成本证伪无效因子。专家肯定其将机器学习与资产定价深度融合，为宏观因子定价提供可靠思路，对理解风险传导、优化投资实践具重要价值。
与会专家一致认为，该研究创新性地将机器学习技术与资产定价实证相结合，为探究和解决不可交易因子的定价问题提出了新的计量思路。同时，该研究为理解宏观经济风险、市场情绪等因素是否真正被市场定价提供了更可靠的视角和有力的实证证据，对于“筛选”和“净化”因子动物园、指导投资实践具有重要的学术价值和现实意义。
基于以上研究成果，与会专家高度评价该研究创新性地将机器学习技术与资产定价实证深度结合，并开发出实用的方法。该方法不仅为探究和解决不可交易因子的定价问题提供了新的计量途径，同时对后续理论研究和投资实践具有重要的指导意义。
本次报告为相关领域的青年学者提供了宝贵的学术交流机会。未来，滴水湖高级金融学院将继续邀请国内外优秀学者分享前沿研究成果，推动金融学基础研究的创新突破，并为青年学者的成长搭建更为广阔的交流平台。
供稿：孙畅
审稿：罗炀燔
编辑/排版：陈晨
统筹：唐雨山、教授事务部
