基于二分图的方法用于美中跨市场收益预测
机器学习
2026-04-15 v2 计算金融
摘要
本文通过一种保留经济结构的机器学习框架研究跨市场收益的可预测性。利用美中股市交易时间不重叠的特性，我们构建了一个有向二分图，捕捉股票在跨市场之间时间顺序的预测关联。通过滚动窗口假设检验选择边，得到的图作为稀疏且经济可解释的特征选择层，用于下游机器学习模型。我们应用多种正则化和集成方法，使用滞后外国市场信息预测开盘到收盘收益。我们的结果显示显著的方向性不对称性：美国前收盘到收盘收益包含大量用于预测中国盘中收益的预测信息，而相反的效果有限。这种信息不对称转化为经济上有意义的绩效差异，突显了结构化机器学习框架在保持可解释性的同时如何揭示跨市场依赖关系。
引用
@article{arxiv.2603.10559,
title = {A Bipartite Graph Approach to U.S.-China Cross-Market Return Forecasting},
author = {Jing Liu and Maria Grith and Xiaowen Dong and Mihai Cucuringu},
journal= {arXiv preprint arXiv:2603.10559},
year = {2026}
}