[論文レビュー] Supervised Neural Networks for Illiquid Alternative Asset Cash Flow Forecasting

Tugce Karatas, Federico Klinkert+1 more|arXiv (Cornell University)|Aug 5, 2021

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本論文は、LSTM/GRUネットワークを用いたスライディングウィンドウ手法を用いて、流動性の低いプライベートエクイティファンドのキャッシュフローを予測する、新たな直接的・間接的ディープラーニングフレームワークを提案する。マクロ経済指標を直接予測モデルに統合することで、ベンチマークモデルと比較して、特に実際のキャッシュフローとの整合性が著しく向上した。

ABSTRACT

Institutional investors have been increasing the allocation of the illiquid alternative assets such as private equity funds in their portfolios, yet there exists a very limited literature on cash flow forecasting of illiquid alternative assets. The net cash flow of private equity funds typically follow a J-curve pattern, however the timing and the size of the contributions and distributions depend on the investment opportunities. In this paper, we develop a benchmark model and present two novel approaches (direct vs. indirect) to predict the cash flows of private equity funds. We introduce a sliding window approach to apply on our cash flow data because different vintage year funds contain different lengths of cash flow information. We then pass the data to an LSTM/ GRU model to predict the future cash flows either directly or indirectly (based on the benchmark model). We further integrate macroeconomic indicators into our data, which allows us to consider the impact of market environment on cash flows and to apply stress testing. Our results indicate that the direct model is easier to implement compared to the benchmark model and the indirect model, but still the predicted cash flows align better with the actual cash flows. We also show that macroeconomic variables improve the performance of the direct model whereas the impact is not obvious on the indirect model.

研究の動機と目的

• 流動性の低い代替資産、特にプライベートエクイティファンドにおけるキャッシュフロー予測という、従来のモデルが制限的な仮定に依存するという重要な課題に対処する。
• 予測精度を向上させるために、柔軟で仮定のないディープラーニングフレームワークを構築し、プライベートエクイティファンドのキャッシュイン・アウトの予測を改善する。
• マクロ経済指標と市場インデックスを統合して、市場環境の変化へのモデルの感受性を高める。
• 直接的および間接的予測アプローチを比較し、そのパフォーマンス、ロバストネス、市場ショックへの適応性を評価する。
• 比較評価のためのベンチマークモデルとして、四半期調整済みYaleモデルに基づくモデルを確立する。

提案手法

• 異なるヴィンテージ年と履歴データ長を有するファンド間で時系列キャッシュフローを標準化するために、スライディングウィンドウ手法を適用する。
• 標準化されたデータを、直接的および間接的キャッシュフロー予測フレームワークの両方のLSTMおよびGRUニューラルネットワークに供給する。
• 中間的なパrameter推定に依存しない、エンドツーエンドの未来キャッシュフロー予測を実行する直接予測モデルを実装する。
• まずファンドライフサイクルパラメータ（例：ライフタイム、投資期間）を推定し、その後キャッシュフローを予測する間接予測モデルを開発する。
• GDP、失業率、インフレ率、金利、金価格、S&P 500、Russell 2000など、マクロ経済変数を入力特徴量に統合し、市場環境の影響を捉える。
• 100エポックで学習を実施し、平均二乗誤差（MSE）損失関数を用い、過学習を防ぐために検証データセットを別途用意して早期停止を実装する。

実験結果

リサーチクエスチョン

• RQ1 直接的および間接的ディープラーニングモデルは、四半期調整済みYaleモデルというベンチマークと比較して、プライベートエクイティファンドのキャッシュフローを予測する上で、どのように異なるか？
• RQ2 マクロ経済指標は、キャッシュフロー予測モデルの予測性能をどの程度向上させるか？
• RQ3 スライディングウィンドウ手法は、異なるヴィンテージ年と期間を持つファンドからの異種のキャッシュフローを効果的に標準化できるか？
• RQ4 直接予測フレームワークは、間接的手法と比較して、市場ショックやキャッシュフローの動的変化をよりよく捉えられるか？
• RQ5 公開市場インデックスおよびマクロ経済変数の統合は、モデルの汎化性能およびロバストネスにどのような影響を与えるか？

主な発見

• 直接予測モデルは、トレーニングセットで平均二乗誤差（MSE）0.000093、バリデーションセットで0.0011を達成し、ベンチマークモデルおよび間接的手法を上回った。
• 直接モデルは、寄付およびNAV（純資産価値）に関して、中間パrameter推定に依存する間接モデルと比較して、実際のキャッシュフローとより高い整合性を示した。
• マクロ経済変数の統合により、直接モデルのパフォーマンスが顕著に向上した（誤差値の低下により裏付けられたが、間接モデルへの影響は明確ではなかった）。
• 直接モデルは非線形キャッシュフローのパターンを捉える柔軟性に優れ、市場変化への反応もより動的であったため、ストレステストに適していた。
• 間接モデルは、パrameter推定による解釈可能性に優れていたが、初期段階のパrameterフィッティングにおける誤差伝搬により、パフォーマンスが低下していた。
• 2006年および2008年ヴィンテージファンドの予測プロットでは、直接モデルが実際の寄付およびNAV値をよく追跡していたが、累積分布には若干の乖離が見られた。このため、後続のモデルでは四半期データの使用が正当化された。