[論文レビュー] Deep Learning in Characteristics-Sorted Factor Models

Guanhao Feng, He, Jingyu+2 more|arXiv (Cornell University)|May 3, 2018

Financial Markets and Investment Strategies参考文献 37被引用数 50

ひとこと要約

本論文は、企業特性から潜在因子を生成して横断面資産リターンを価格付けする構造的深層学習フレームワークを開発し、拡張深層因子モデル内で実現済みの価格付け誤差を最小化します。

ABSTRACT

This paper presents an augmented deep factor model that generates latent factors for cross-sectional asset pricing. The conventional security sorting on firm characteristics for constructing long-short factor portfolio weights is nonlinear modeling, while factors are treated as inputs in linear models. We provide a structural deep learning framework to generalize the complete mechanism for fitting cross-sectional returns by firm characteristics through generating risk factors -- hidden layers. Our model has an economic-guided objective function that minimizes aggregated realized pricing errors. Empirical results on high-dimensional characteristics demonstrate robust asset pricing performance and strong investment improvements by identifying important raw characteristic sources.

研究の動機と目的

• 深層学習フレームワーク内で、特徴量を基にしたソート型ファクターの方法論を動機づけ、定式化する。
• 深い特徴量を作り出し、証券をソートし、潜在因子を生成する構造的ニューラルネットワークを開発する。
• 実現済みの価格付け誤差の総和を最小化することによって、株式リターンの横断面を価格付けする。
• 資産価格付けにおける経済的なノーアービトラージ原理と深層学習アーキテクチャを整合させる。

提案手法

• 入力特徴を深い特徴量へ縮約する、フィードフォワード型ニューラルネットワークを導入する。
• 深い特徴量を介して長短ポートフォリオのウェイトを作成する非線形ソーティング機構を実装する。
• ソートされたロングショート・ポートフォリオと実現リターンから深い因子を構築する。
• 遅延特徴量に条件づけて、動的ファクター負荷をニューラルネットワークとしてモデル化する。
• 正則化を伴い、実現済みの価格付け誤差の二乗和を最小化するよう目標を最適化する。
• Fama-Frenchの五ファクター・モデルを深層学習の変種として組み込むようにフレームワークを特化する。

実験結果

リサーチクエスチョン

• RQ1 構造的深層学習モデルは、企業特性から横断面資産価格付けにおける価格付け誤差を最小化する潜在因子を生成できるか。
• RQ2 深い特徴量と非線形ソーティングは、CAPMやFF5のようなベンチマークモデルと比較してファクター・モデルの説明力にどのように影響するか。
• RQ3 伝統的なベンチマークへ深い因子を追加した場合の追加的な価格付け性能は何か。
• RQ4 欠損データや不均衡パネルに対して結果はどれほど頑健か。

主な発見

• 拡張深層因子モデルは、個別株およびテスト・ポートフォリオの価格付けに対して頑健な改善を達成する。
• 深い因子のMVEポートフォリオとDL-CAPMまたはDL-FF5は、インサンプルシャープ比(4.57と6.49)およびアウトオブサンプルシャープ比(2.49と3.00)を示す。
• 深い因子は報告されたシナリオにおいてベンチマークモデルに対して完全なヘッジを提供する。
• 利益サプライズや簿価対市場価値比率といった生データ特徴量に対して、線形および非線形のエクスポージャーが一貫して観察される。
• 特徴量上で直接次元削減を可能にしつつ、統計的および経済的モデル適合度を同程度維持する。