[論文レビュー] Uncertainty-Aware Lookahead Factor Models for Quantitative Investing

Lakshay Chauhan, John Alberg+1 more|arXiv (Cornell University)|Jul 7, 2020

Stock Market Forecasting Methods参考文献 45被引用数 7

ひとこと要約

本稿では、深層学習を用いて将来の基本的財務指標を予測し、予測の不確実性を組み込んでポートフォリオパフォーマンスを向上させる、不確実性に配慮した先行予測要因モデル（LFM）を提案する。5年分の財務指標履歴をLSTMで学習させ、予測分散に反比例するように要因ウェイトを調整することで、年間リターン17.7%、シャープレシオ0.84を達成した。これは標準的要因モデル（年間リターン14.0%、シャープレシオ0.52）を著しく上回った。

ABSTRACT

On a periodic basis, publicly traded companies report fundamentals, financial data including revenue, earnings, debt, among others. Quantitative finance research has identified several factors, functions of the reported data that historically correlate with stock market performance. In this paper, we first show through simulation that if we could select stocks via factors calculated on future fundamentals (via oracle), that our portfolios would far outperform standard factor models. Motivated by this insight, we train deep nets to forecast future fundamentals from a trailing 5-year history. We propose lookahead factor models which plug these predicted future fundamentals into traditional factors. Finally, we incorporate uncertainty estimates from both neural heteroscedastic regression and a dropout-based heuristic, improving performance by adjusting our portfolios to avert risk. In retrospective analysis, we leverage an industry-grade portfolio simulator (backtester) to show simultaneous improvement in annualized return and Sharpe ratio. Specifically, the simulated annualized return for the uncertainty-aware model is 17.7% (vs 14.0% for a standard factor model) and the Sharpe ratio is 0.84 (vs 0.52).

研究の動機と目的

• 予測された将来の基本的財務指標を現在の財務指標の代わりに使用することで、定量的投資におけるポートフォリオパフォーマンスが向上するかどうかを調査すること。
• 収益予測における高い不確実性に対処するため、要因構築にモデルの不確実性を組み込むこと。
• 不確実性に配慮した先行予測要因モデルが、絶対的リターンおよびリスク調整後リターンの両面で標準的要因モデルを上回るかどうかを評価すること。
• ニューラルヘテロスケダスティック回帰とドロップアウトベースの不確実性推定が、投資意思決定の改善にどの程度有効であるかを評価すること。
• 20年間のアウトオブサンプル期間にわたり、産業水準のシミュレーションツールを用いた厳密なバックテストフレームワークを用いて、手法の妥当性を検証すること。

提案手法

• 将来12か月先の収益（EBIT）を予測するために、5年分の歴史的財務指標データを用いて長短期記憶（LSTM）ネットワークを学習する。
• 予測された将来の収益を、EBIT/EVのような伝統的なバリューファクターに組み込むことで、先行予測要因モデル（LFM）を構築する。
• 2つの方法を用いて予測不確実性を推定する：ニューラルヘテロスケダスティック回帰と、分散推定のためのドロップアウトベースのヒューリスティック。
• 推定された分散に反比例するように収益予測をスケーリングし、不確実性の高い銘柄への露出を低減するリスク調整済み要因を生成する。
• 産業水準のバックテストツールを用いて、50銘柄のロングオンリー、四半期ごとに再バランスされる戦略のポートフォリオパフォーマンスをシミュレートする。
• ランダムに選択された銘柄ユニバースサブセット（70%）を用いて300回のシミュレーションを実行し、妥当性を確保し、統計的有意性の検定のためにブートストラップリサンプリングを実施する。

実験結果

リサーチクエスチョン

• RQ1 予測された将来の基本的財務指標を使用する先行予測要因モデルが、現在の財務指標に基づく標準的要因モデルを著しく上回るのか？
• RQ2 予測不確実性を組み込むことで、定量的投資におけるリスク調整後ポートフォリオパフォーマンスはどの程度向上するのか？
• RQ3 投資要因構築のための将来財務指標予測において、LSTMとMLPの異なるディープラーニングアーキテクチャの性能はどのように比較されるのか？
• RQ4 不確実性に配慮した先行予測要因を使用する際、シャープレシオおよび年間リターンの向上は統計的に有意なのか？
• RQ5 ドロップアウトベースの手法とヘテロスケダスティック回帰から得られる不確実性推定値は、高いリターンを維持しつつポートフォリオのボラティリティを効果的に低減できるのか？

主な発見

• 完璧な将来の収益予測を使用する予言的モデル（clairvoyant model）は、40%の複利年間リターン（CAR）を達成し、先行的財務指標の潜在的価値を示した。
• 不確実性に配慮した先行予測要因モデル（UQ-LSTM）は、シミュレーテッド年間リターン17.7%を達成し、標準的要因モデルの14.0%を著しく上回った。
• 不確実性に配慮したモデルのシャープレシオは0.84に達したのに対し、標準的要因モデルは0.52であった。これは、リスク調整後パフォーマンスが優れていることを示している。
• 対比較t検定により、不確実性に配慮したモデルのシャープレシオの向上は有意水準0.05で統計的に有意であることが確認された。
• スコアの横断的分析では、下位デクイルから上位デクイルへ向かうに従いリターンプロファイルが単調に増加しており、UQ-LSTMモデルは要因プレミアム0.83、t統計量3.57を達成した。
• UQ-LSTMモデルは、複数のレジラントス・チェックを通じて、標準的要因モデルおよび不確実性を考慮しないLFMのバリエーションを、リターンおよびリスク調整後指標の両面で上回った。