[論文レビュー] Factor Investing with a Deep Multi-Factor Model

Zikai Wei, Bo Dai+1 more|arXiv (Cornell University)|Oct 22, 2022

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本稿では、ファクター投資のためのグラフベースのディープラーニングに金融的イン사이트を統合する、ディープマルチファクター・モデルを提案する。産業水準およびユニバース水準の関係を有する階層的かつ動的株式グラフを構築し、グラフアテンションおよびファクター・アテンションモジュールを用いることで、累積リターンおよび情報比において線形モデルおよび解釈不能なディープベースラインを上回る解釈可能なディープファクターを学習する。中国株式インデックスにおいて、その効果が確認された。

ABSTRACT

Modeling and characterizing multiple factors is perhaps the most important step in achieving excess returns over market benchmarks. Both academia and industry are striving to find new factors that have good explanatory power for future stock returns and good stability of their predictive power. In practice, factor investing is still largely based on linear multi-factor models, although many deep learning methods show promising results compared to traditional methods in stock trend prediction and portfolio risk management. However, the existing non-linear methods have two drawbacks: 1) there is a lack of interpretation of the newly discovered factors, 2) the financial insights behind the mining process are unclear, making practitioners reluctant to apply the existing methods to factor investing. To address these two shortcomings, we develop a novel deep multi-factor model that adopts industry neutralization and market neutralization modules with clear financial insights, which help us easily build a dynamic and multi-relational stock graph in a hierarchical structure to learn the graph representation of stock relationships at different levels, e.g., industry level and universal level. Subsequently, graph attention modules are adopted to estimate a series of deep factors that maximize the cumulative factor returns. And a factor-attention module is developed to approximately compose the estimated deep factors from the input factors, as a way to interpret the deep factors explicitly. Extensive experiments on real-world stock market data demonstrate the effectiveness of our deep multi-factor model in the task of factor investing.

研究の動機と目的

• ディープラーニングベースのファクター投資における解釈可能性の欠如を是正するため、モデル構成要素に金融的インサイトを埋め込むこと。
• 産業水準およびユニバース水準の階層的かつマルチリレーションシップのグラフ構造を用いて、複雑で動的な株式関係をモデル化すること。
• 元のスタイルファクターやマクロ経済ファクターからディープファクターがどのように形成されるかを明示的に解釈できるファクター・アテンションモジュールを開発すること。
• 非線形的かつグラフベースの表現を用いて、スコアラルファクターアセット投資における予測精度およびリスク調整リターンを向上させること。
• 実データにおける市場時価総額（小・中・大・キャップ）にわたるモデルの一般化能力を検証すること。

提案手法

• 産業内（産業グラフ）および産業間（ユニバースグラフ）接続の2種類のエッジを持つ、動的かつマルチリレーションシップの株式グラフを構築する。
• グラフアテンションネットワーク（GAT）を用いて、元の要因、産業ニュートラライズド要因、ユニバースニュートラライズド要因の階層的影響を学習する。
• 複数の粒度で株式表現を抽出するためのコンテキストエンコーダを用い、産業および市場ニュートラライズドを組み込むことで、金融的現実性を高める。
• ファクター・アテンションモジュールを採用し、元の入力ファクター（例：バリューファクター、クオリティファクター、モメンタムファクター）が最終的なディープファクターに与える寄与度を推定することで、解釈可能性を実現する。
• 検証損失の最小化を目的としたエンド・ツー・エンド最適化によりモデルを訓練し、10％のロングオンリーポートフォリオを月次でリバランスする。
• マルチレベルアーキテクチャを実装：株式ノード → 産業およびユニバースグラフ → アテンションベースのコンテキスト統合 → ディープファクター予測

実験結果

リサーチクエスチョン

• RQ1 金融的解釈可能性を備えたディープラーニングモデルは、ファクター投資において、従来の線形モデルおよびブラックボックス型ディープラーニングモデルを上回ることができるか？
• RQ2 産業レベルおよびユニバースレベルの株式関係は、ファクター予測およびリスク調整リターンの向上にどのように寄与するか？
• RQ3 アテンション機構は、学習されたディープファクターの背後にある経済的論理を、透明かつ解釈可能な形で明らかにできるか？
• RQ4 本モデルは、実世界の株式市場における異なる市場時価総額（小・中・大・キャップ株式）に一般化可能か？
• RQ5 階層的グラフ表現学習は、標準的なニューラルネットワークと比較して、ディープファクターの安定性および説明力の両方を向上させられるか？

主な発見

• 提案されたディープマルチファクターモデル（DMFM）は、中国株式インデックス3種（CSI1000、CSI500、CSI300）において、線形モデル、均等加重モデル、MLP、MLP&GATベースラインと比較して、一貫して高いアクティブリターンおよびシャープレシオを達成した。
• DMFMのシャープレシオはすべてのベンチマークで正であったが、ベースラインは負であった（-0.11～-0.20）、リスク調整リターンの優位性が示された。
• ファクター・アテンションモジュールの分析から、全テスト期間を通じてクオリティファクターが平均で最も高いアテンション重みを示し、ディープファクター形成における主導的役割を示した。
• 動的グラフ構造は、株式関係および構成銘柄の変化を効果的に捉えており、銘柄あたりのエッジ数が時間経過とともに顕著に変動し、市場のダイナミクスを反映していた。
• 本モデルは、小・中・大・キャップの市場時価総額にわたる一般化能力を示し、すべてのベースラインを上回るパフォーマンスを示した。
• DMFMのICIR（情報係数情報比）およびIRは顕著に高く、ディープファクターの予測力および安定性の向上が確認された。