[論文レビュー] Deep Factor Alpha

Guanhao Feng, Nicholas G. Polson+1 more|arXiv (Cornell University)|May 3, 2018

Financial Markets and Investment Strategies参考文献 13被引用数 3

ひとこと要約

本論文は、1975年から2017年までの米国株式リターン（1975–2017）において、価格誤差（アルファ）を最小化する目的で、57の企業特徴から非線形なロング・ショートファクターを自動生成する深層学習フレームワーク「Deep Factor Alpha」を提案する。時系列およびクロスセクション的変動を時間的・横断的変動に合わせてバックプロパゲーションで訓練する深層ニューラルネットワークの隠れニューロンを用いることで、CAPM や Fama-French モデルなどのベンチマークを上回る予測性能を示し、アノマリーやソート・ポートフォリオにおけるアルファの捕捉を顕著に改善する。

ABSTRACT

Does a factor model exist to absorb all existing anomalies? We provide a deep learning automated solution to generate long-short factors using a high-dimensional firm characteristics. Sorting securities on firm characteristics is a common practice in finance and a nonlinear activation function built into deep learning. Our algorithm performs a nonlinear search and finds the optimal transformation of characteristics used for security sorting, with one asset pricing objective: minimizing alphas. Our deep factors, hidden neurons in the neural network, are trained greedily with the backward propagation feedback from the loss function that considers both time series and cross-sectional variations. Our conditional forecast generalizes a benchmark, such as CAPM, and includes Fama-French type models as special cases. We have designed a train-validation-test study for monthly U.S. equity returns from 1975 to 2017 and 57 published firm characteristics. In an out-of-sample evaluation, the conditional deep factor model shows a forecasting improvement over the benchmark with factors that offer significant alphas. The conclusion is the improvement of insignificant alphas for some anomalies as well as sorted portfolios.

研究の動機と目的

• 深層学習に基づくファクターモデルが、株式価格設定における既存のアノマリーをすべて吸収できるかどうかを調査すること。
• 高次元の企業特徴から、自動的かつ非線形な方法でロング・ショートファクターを生成する手法を開発すること。
• 伝統的なベンチマーク（CAPM や Fama-French モデル）に対して、アウトオブサンプル予測性能を向上させること。
• ファクターモデルのアルファを最小化することで（価格効率性の向上を示唆）、深層学習によるファクター構築の最適化を図ること。

提案手法

• セキュリティのソーティングに適した57の企業特徴の非線形変換を学習するため、深層ニューラルネットワークを訓練する。
• 隠れニューロン（深層ファクター）は、リターンの時系列的およびクロスセクション的変動を捉える損失関数を用いて、バックプロパゲーションによりグリーディに訓練される。
• モデルの条件付き予測は、CAPM や Fama-French ファクターを特別なケースとして含む、ベンチマークモデルを一般化する。
• 1975年から2017年までの月次米国株式リターンを対象に、トレイン・バリデーション・テストフレームワークを適用する。
• 損失関数は明示的にファクターモデルのアルファを最小化することを目的とし、価格精度の向上を図る。
• 非線形活性化関数により、最適なソーティングに向けた、複雑で単調でない企業特徴の関係を同定できる。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、米国株式市場における多様なアノマリーにわたって、価格誤差（アルファ）を体系的に低減するファクターを生成できるか？
• RQ2 深層ファクターモデルは、CAPM や Fama-French モデルなどの従来の線形ファクターモデルよりも、アウトオブサンプル予測で優れた性能を示すか？
• RQ3 非線形変換を用いることで、企業特徴の変換によって既存のアノマリーをどの程度吸収・説明できるか？
• RQ4 損失関数に時系列的およびクロスセクション的変動を組み込むことで、ファクターの質と価格精度にどのような影響を与えるか？

主な発見

• 条件付き深層ファクターモデルは、CAPM や Fama-French ファクターなどのベンチマークモデルに対して顕著なアウトオブサンプル予測性能の向上を示す。
• いくつかのアノマリーにおけるアルファが低減され、価格効率性の向上とファクター表現の改善が示唆される。
• 深層ファクターは、線形モデルでは検出できない企業特徴の非線形的関係を捉えている。
• モデルは既存のファクターモデルを一般化しており、Fama-French ファクターはそのフレームワーク下で特別なケースとして出現する。
• トレーニングプロセスは、残存アルファを最小化する最適な非線形変換を的確に同定した。
• アウトオブサンプルのパフォーマンスは、深層学習がファクターモデル構築とアノマリー価格設定の両方を強化できることを確認する。