在金融科技快速发展的背景下，机器学习在投资领域的实际效果正引发学界重新审视。北京大学光华管理学院张英广副教授团队近期在国际顶级期刊《金融研究评论》发表研究，对当前金融预测模型的应用结论提出重要质疑。研究团队系统复现了2023年一项影响广泛的经典研究。原研究声称，基于随机森林算法的预测模型可实现月均1.54%的超额收益，显著优于人类分析师。该结论一度引发业界对传统分析方法的重新评估，并推动更多资源投入算法模型开发。通过严格的数据追溯与模型重建，研究团队发现原模型存在关键方法缺陷：变量“上一期真实盈利”在跨期预测中被错误引入未来信息，形成“前视偏误”，相当于模型提前获得原本不可得的数据。纠正该错误后，模型夏普比率从接近1大幅降至0.15，所谓显著优势基本不复存在。深入分析表明，修正后的机器学习模型不仅相较人类分析师的优势明显收窄，与传统线性模型相比也不再具备突出竞争力。研究同时推翻了原研究对部分市场现象的解释，证实企业基本面因素仍是影响股价的核心变量，而非此前所强调的分析师预测偏差。该研究的意义不止于修正具体结论，更在于为金融科技应用划定方法边界：任何预测模型都必须严格遵循数据时序，确保特征信息在预测时点确实可获得。这一发现对当前热度较高的智能投研实践具有直接警示。随着金融数字化转型加速，研究也给出三点启示：第一，技术应用必须建立在可检验的方法基础上；第二，模型结论需要更系统的复现与验证机制；第三，与其强调替代，更现实的路径可能是人机协同。监管部门亦可据此完善评估标准，减少“绩效幻觉”对市场决策的干扰，推动更稳健的金融科技创新环境。
金融市场从不缺新工具，真正稀缺的是对工具边界的清醒认识。以复核促规范、以细节守底线，既能避免被“虚高绩效”误导，也能让模型创新回到可检验、可持续的轨道上。面对新技术浪潮——理性评估与严格验证——仍是连接学术进展与市场实践的关键桥梁。