本期聚焦：

使用机器学习助力并购套利，透过交易数据预测通胀

使用机器学习进行并购套利

并购套利是一种投资策略，涉及买入正在被收购公司的股票，并同时卖空收购方的股票，目标是从价差中获利。该策略旨在从被收购公司的股票价值低估中获益。但是鉴于对冲潜在的交易风险的需求：成功预测并购交易的结果（完成或取消）至关重要。

对此，彭博的股票相关公司大事数据集可以作为构建投资研究理念的基础。该数据集涵盖30多种事件类型，包括股息发放、剥离、并购，而且时间跨度较长，可追溯至2007年。用户可以将收购的交易条款作为机器学习分类模型中的特征，在交易公布时即时改进预测结果。使用彭博旗下一系列研究专用的数据集，如公司财务时间点数据、收入细分、供应链和资讯标题数据，可以进一步增强该模型。

如图1所示，我们部署的机器学习模型*表现明显优于基准*，在评估期内累计回报接近200%。这接近完美准确度*情景下260%的回报，其中假设将投资组合的10%投资于某一特定交易。

图1：机器学习模型——不同策略的回报

*“机器学习模型”指LightGBM算法，“完美准确度”指正确预测每笔交易结果的理想情景。“基准”指参与每笔已公布交易的基准情形。

使用交易数据预测通胀

通胀信息对投资者至关重要，因为它影响利率、经济增长和资产价格。把握通胀趋势，可以作出知情投资决策，在不同的经济状况下保护投资，促进投资增值，获得竞争优势。

Bloomberg Second Measure交易数据分析平台由数十亿笔美国消费信用卡和借记卡交易提供支持，提供对消费类公司业绩的早期洞察和深入分析。用户可汇总必需消费品行业（按BICS一级行业定义）公司的交易销售记录，衡量其年增长率，从而获得对美国CPI趋势的深度见解，数据呈现形式为上述公司滚动30天观测销售额的年同比增速。我们发现，它领先美国核心CPI指数（CPI XYOY Index）3个月，帮助用户有效了解消费者支付的价格——最受关注的宏观指标之一。

Bloomberg Second Measure必需消费品指标观测销售额年同比增速与美国核心CPI指数，历史时间序列

Bloomberg Second Measure交易数据分析来自美国消费面板数据的一个子集，它涵盖2000多万消费者，覆盖不同行业逾3000家上市和非上市公司以及逾4000个品牌，提供逾7年的消费支出历史数据。

您可在全文中了解所涵盖公司的数量明细（按BICS一级行业公司分列）