[論文レビュー] Deep Learning in Asset Pricing

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

Financial Markets and Investment Strategies被引用数 1

ひとこと要約

本稿では、企業の特徴を入力として用いる深層学習アプローチを提案し、非還元型ニューラルネットワークを訓練することで、非線形的で相互作用を豊富に含む要因（ディープファクター）を生成し、資産価格設定を改善する。証券をラグ付き特徴でソートすることで長期・短期ポジションのウェイトを生成し、それを隠れ層として扱うことで、要因ではなく入力を対象とした次元削減を実現し、妥当な出外-sample性能と異常の洗い出しの向上を達成する。

ABSTRACT

To study the characteristics-sorted factor model in asset pricing, we develop a bottom-up approach with state-of-the-art deep learning optimization. With an economic objective to minimize pricing errors, we train a non-reduced-form neural network using firm characteristics [inputs], and generate factors [intermediate features], to fit security returns [outputs]. Sorting securities on firm characteristics provides a nonlinear activation to create long-short portfolio weights, as a hidden layer, from lag characteristics to realized returns. Our model offers an alternative perspective for dimension reduction on firm characteristics [inputs], rather than factors [intermediate features], and allows for both nonlinearity and interactions on inputs. Our empirical findings are twofold. We find robust statistical and economic evidence in out-of-sample portfolios and individual stock returns. To interpret our deep factors, we show highly significant results in factor investing via the squared Sharpe ratio test, as well as improvement in dissecting anomalies.

研究の動機と目的

• 企業の特徴を入力として用いるボトムアップ型の深層学習フレームワークを構築し、企業の特徴を用いて価格誤差を最小限に抑える。
• 従来の線形要因モデルの限界を克服し、企業の特徴における非線形性と相互作用効果を可能にする。
• 要因（出力）ではなく入力（特徴）に焦点を当てた次元削減戦略としての代替手法を提供する。
• 深層学習を用いた要因構築によるファクター投資の実証的パフォーマンスを向上させる。
• シャープ比と異常分析を用いて、学習されたディープファクターの経済的有意性を解釈および検証する。

提案手法

• 企業の特徴を入力とし、実現された証券リターンを出力として非還元型ニューラルネットワークを訓練する。
• ラグ付き企業特徴に基づく証券のソートを非線形活性化関数として用い、長期・短期ポジションウェイトを生成する。
• 得られたポジションウェイトをニューラルネットワークの隠れ層として扱い、入力の非線形変換を捉える。
• 価格誤差を最小化することを目的とした経済的目的関数を用いてモデルを最適化する。
• 解釈と評価のため、隠れ層から中間特徴（ディープファクター）を抽出する。
• 予測能力の評価のため、出外-sampleポジションと個別株式リターンの両方に対してモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 企業の特徴に基づいて訓練された深層学習モデルは、出外-sampleテストにおいて従来の線形要因モデルを上回る価格要因を生成できるか？
• RQ2 深層学習モデルにおける非線形的相互作用と変換は、既知のマーケット異常の洗い出しにどのように影響するか？
• RQ3 学習されたディープファクターは、標準的要因と比較してファクター投資戦略のシャープ比をどの程度向上させるか？
• RQ4 本手法は、要因構築プロセスにおいて出力（要因）ではなく入力（特徴）に焦点を当てることで、より優れた次元削減を達成できるか？
• RQ5 ディープファクターは経済的に解釈可能で、株式の横断的リターンを説明する上で統計的に有意であるか？

主な発見

• 深層学習モデルは、ポートフォリオおよび個別株式の両方において、出外-sampleテストで価格誤差を顕著に低減する要因を生成する。
• モデルは、ファクター投資戦略における二乗シャープ比検定で極めて有意な結果を示し、統計的かつ経済的パフォーマンスが優れている。
• ディープファクターは、資産価格設定の異常を洗い出し・説明する能力を向上させ、より高い説明力を持つことを示している。
• モデルの次元削減アプローチ——要因（出力）ではなく入力（企業特徴）に作用する——は、複雑な非線形関係を効果的に捉えることが証明された。
• 学習された要因は強力な出外-sample予測能力を示しており、実務的な資産運用応用の可能性を示唆している。
• ラグ付き特徴に基づくソートから得られる非線形活性化関数により、線形モデルが見逃す企業特徴間の複雑な相互作用をモデルが捉えることができる。