人工智能（AI）的快速发展已重塑了许多领域，而金融也不例外。资产定价是传统上由线性模型和基于因素的方法主导的领域，现在由于AI揭示财务数据中持续的预测模式的能力而正经历了变革性的转变。大规模AI模型的引入尤其是基于变压器的架构 - 显着增强了我们对资产和公司之间复杂关系建模的能力（Eisfeldt等，2023），从而改善了预测和风险评估。
在本专栏中，我们探讨了AI驱动的资产定价模型，尤其是那些结合变压器的模型如何利用交叉编号信息共享来减少定价误差并提高预测精度。这些创新提供了关于金融市场如何处理信息并确定资产价格的新观点。
传统与AI驱动的资产定价
大多数传统资产定价模型，例如Fama和French（1993）框架，都依赖于解释资产回报的预定义因素。尽管有效，这些模型在资产特征和预期回报之间假设固定且线性的关系。另一方面，AI引入了非线性，数据驱动的方法，识别通常对传统方法看不见的模式。
机器学习模型，包括基于树的方法和神经网络（Gu等，2020），通过捕获公司特征和回报之间的复杂关系来改善资产回报预测。但是，这些模型通常集中于自己的资产预测，这意味着它们仅使用资产的个人特征来估计未来的回报。这种方法忽略了资产相互作用的更广泛的环境。
变压器在资产定价中的作用
在最近的一篇论文（Kelly等，2024）中，我们介绍了人工智能定价模型（AIPM），该模型将变压器网络嵌入随机折现因子（SDF）框架中。虽然最初是为自然语言处理开发的，但我们表明变压器在财务应用中非常有效，因为它们能够捕获跨资产的横断面依赖性。
与传统的机器学习模型不同，变形金刚结合了注意机制，使它们可以根据其相关性动态调整不同输入的重量。在资产定价的背景下，这意味着该模型不仅考虑了资产自身的特征，而且还考虑了这些特征如何与其他资产的特征相互作用。这种方法通过利用市场范围的信息来大大增强预测能力。
经验发现：基于AI的模型的性能
我们使用美国股票回报和调理变量的数据集评估了基于变压器的AIPM的性能。与传统的资产定价模型和其他机器学习方法相比，AIPM证明：
- 降低定价错误：与没有注意机制的传统因素模型和神经网络相比，该模型的样本外定价误差明显较小。
- 较高的夏普比率：通过集成跨资产依赖性，基于变压器的模型就风险调整后的收益在样本外的效果优于现有方法。
- 可伸缩性和复杂性提高：我们发现，通过融合更深的变压器层始终提高预测性能来提高模型复杂性。这支持了以下观点：当应用于资产定价时，AI模型受益于更高的参数化。
有关大语言模型的文献的经验证据（例如，Kaplan等，2020）表明，添加更多的变压器块可增强模型有效代表语言的能力。与较浅的模型相比，具有更深层次的架构的模型能够捕获更多的抽象功能和更长的依赖性。每个额外的层都会完善注意力分布，从而使模型可以考虑短期和长期关系。有趣的是，在资产定价模型的背景下出现了变压器复杂性的相同好处。
这些发现表明，AI驱动的资产定价模型在处理大量财务数据方面更有效，从而实现了更准确和强大的预测。
对投资者和政策制定者的影响
AI纳入资产定价对市场参与者和政策制定者具有深远的影响。投资者可以受益于改进的投资组合分配策略，该策略由AI的能力确定微妙的定价效率低下，这一概念符合有关AI和人格特征塑造经济回报的研究（Makridis 2025）。同时，监管机构和政策制定者必须考虑AI驱动的交易对市场稳定性和效率的影响。
此外，AI在资产定价中的采用挑战了传统的市场效率观点，这与对AI的宏观经济影响和生产率提高的更加担忧（Filippucci等，2024）。如果AI模型始终超过经典框架，则可能表明市场效率不如先前想象的，为进一步研究定价异常的性质打开了大门。
结论
人工智能和金融的融合正在彻底改变资产定价。我们的研究表明，基于变压器的模型通过利用交叉编写信息共享来大大提高回报预测。随着人工智能的不断发展，其在财务决策中的作用只会增长，为投资者提供新的机会并重塑我们对市场动态的理解。
参考
Gu，S，B Kelly和D Xiu（2020），通过机器学习的经验资产定价，金融研究审查33（5）：2223-2273。
Eisfeldt，A，G Schubert和M B Zhang（2023），生成的人工智能和牢固的估值6月4日，Voxeu.org。
Fama，E和K French（1993），股票和债券收益中的常见风险因素，金融经济学杂志33（1）：3-56。
Filippucci，F，P Gal和M Schief（2024），奇迹还是神话？评估人工智能的宏观经济生产率12月8日，voxeu.org。
Kaplan，J，S McCandlish，T Henighan等。（2020），神经语言模型的缩放法律，arxiv预印术：2001.08361。
Kelly，B Kuznetsov，S Malamud和T Xu（2024），人工智能资产定价模型，NBER工作文件号W33351
Makridis，C（2025），在技术变革中，人格特征在塑造经济回报中的作用1月31日，Voxeu.org。
Vaswani，A，N，N Shazeer，N Parmar，J Uszkoreit，L Jones，A N Gomez，L Kaiser和I Polosukhin（2017），您需要的是，您需要的所有内容，神经信息处理系统的进步30。