[論文レビュー] Improving Factor-Based Quantitative Investing by Forecasting Company Fundamentals

John Alberg, Zachary C. Lipton|arXiv (Cornell University)|Nov 13, 2017

Forecasting Techniques and Applications参考文献 10被引用数 29

ひとこと要約

本稿では、5年間の履歴データを用いてトレーニングされた深層ニューラルネットワーク（MLPおよびRNN）を用いて将来の企業の財務指標を予測するLookahead Factor Models（LFMs）を提案する。これにより、要因に基づく投資戦略が将来の財務健全性を予測可能となる。このアプローチは、17.1％の年間複利収益を達成し、標準的要因モデル（14.4％）を著しく上回り、財務予測の正確性が向上することで、より優れたリスク調整収益を実現している。

ABSTRACT

On a periodic basis, publicly traded companies are required to report fundamentals: financial data such as revenue, operating income, debt, among others. These data points provide some insight into the financial health of a company. Academic research has identified some factors, i.e. computed features of the reported data, that are known through retrospective analysis to outperform the market average. Two popular factors are the book value normalized by market capitalization (book-to-market) and the operating income normalized by the enterprise value (EBIT/EV). In this paper: we first show through simulation that if we could (clairvoyantly) select stocks using factors calculated on future fundamentals (via oracle), then our portfolios would far outperform a standard factor approach. Motivated by this analysis, we train deep neural networks to forecast future fundamentals based on a trailing 5-years window. Quantitative analysis demonstrates a significant improvement in MSE over a naive strategy. Moreover, in retrospective analysis using an industry-grade stock portfolio simulator (backtester), we show an improvement in compounded annual return to 17.1% (MLP) vs 14.4% for a standard factor model.

研究の動機と目的

• 将来の財務指標を予測することで、要因に基づく定量的投資戦略のパフォーマンスが向上するかどうかを調査すること。
• 現在の財務指標を使用する標準的要因モデルと、予測された将来の財務指標を使用するモデルとのパフォーマンス格差を評価すること。
• 歴史的時系列データから主要な財務指標（例：EBIT、簿価）を予測するための深層学習モデルの開発と検証を行うこと。
• 現実的なバックテスト環境において、Lookahead Factor Modelsが実際のパフォーマンスで優位性を示すことを実証すること。
• モデルアーキテクチャ（MLP対RNN）および損失重み付けが予測精度とポートフォリオリターンに与える影響を評価すること。

提案手法

• 20の財務指標（例：TTM売上高、MRQ EBIT、現金、受取手形）の5年間の移動ウィンドウを用いて、多層パーセプトロン（MLP）および再帰的ニューラルネットワーク（RNN）をトレーニングする。
• 将来の財務指標を予測するための12か月先読みの期間を設定し、入力を月次間隔に離散化し、12か月分遅延させる。
• 勾配爆発を防ぐためにL2ノルムクリッピングを適用したAdaDelta最適化法を用い、ハイパーパrameter α₁およびα₂を用いてEBIT予測と最終時刻ステップの損失を重み付けする。
• 主な損失関数として平均二乗誤差（MSE）を用い、EBIT予測の正確性を重視するためにクラスバランス重み付けを適用する。
• 月次リバランス、取引コスト、スリッページ、配当再投資をシミュレートする現実的で産業水準のバックテスト・エンジンを採用する。
• ベースラインモデル（ナイーブ、線形、QFM）と比較して、アウトオブサンプルMSEおよびシミュレーテッドポートフォリオリターン（CAR、シャープレシオ）を用いてモデルのパフォーマンスを評価する。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いて将来の財務指標を予測することで、要因に基づく定量的投資戦略のパフォーマンスが向上するか？
• RQ2 現在の財務指標を使用する標準的要因モデルと比較して、将来の財務指標を予測するLookahead Factor Modelsのパフォーマンスはどの程度か？
• RQ3 長期投資文脈において、将来の財務指標を予測する目的でMLPとRNNを用いる際の相対的影響は何か？
• RQ4 EBIT予測と最終時刻ステップの損失を重み付けることで、モデルの正確性とポートフォリオリターンはどの程度向上するか？
• RQ5 取引コストおよび市場影響（スリッページ）は、Lookahead Factor戦略の実世界での実現可能性にどの程度影響を与えるか？

主な発見

• MLPを用いたLookahead Factor Model（LFM）は、17.1％の複利年間収益（CAR）を達成し、標準的要因モデル（14.4％）およびS&P 500（4.5％）を著しく上回った。
• LFM-MLPはアウトオブサンプルMSEが0.47に留まり、ナイーブ予測子（0.62）および線形回帰（0.53）よりも顕著に低い水準であった。
• RNNを用いたLFMは、16.7％のCARと0.67のシャープレシオを達成し、いずれも標準的要因モデル（14.4％のCAR、0.55のシャープレシオ）を上回った。
• 将来の財務指標を用いた完全な情報を持つオラクルモデルは44％の複利年間収益を達成し、先読み予測の潜在的可能性を裏付けた。
• LFM-MLPモデルはシャープレシオ0.68を達成し、標準的要因モデル（0.55）と比較して、より優れたリスク調整収益を示した。
• モデルのパフォーマンスは、市場が不安定な状況下でも安定しており、ニューラルネットワークはアウトオブサンプルMSEにおいて常にナイーブ予測子を上回った。