[논문 리뷰] Deep Fundamental Factor Models

Matthew Dixon, Nicholas G. Polson|arXiv (Cornell University)|2019. 03. 18.

Stock Market Forecasting Methods참고 문헌 37인용 수 5

한 줄 요약

이 논문은 자산 수익률의 비선형성과 상호작용 효과를 포착하기 위해 딥 뉴럴 네트워크를 사용하는 딥 펌테멘탈 팩터(DFF) 모델을 제안한다. 이는 요인 민감도의 유한한 분산을 통해 불확실성 정량화를 가능하게 하며, OLS 대비 정보비율을 1.5배 향상시키고 이상치에 대한 내구성에서 LASSO를 능가한다. 민감도 기반 신뢰구간과 요인 중요도 순위를 통해 해석 가능성도 확보한다.

ABSTRACT

Deep fundamental factor models are developed to automatically capture non-linearity and interaction effects in factor modeling. Uncertainty quantification provides interpretability with interval estimation, ranking of factor importances and estimation of interaction effects. With no hidden layers we recover a linear factor model and for one or more hidden layers, uncertainty bands for the sensitivity to each input naturally arise from the network weights. Using 3290 assets in the Russell 1000 index over a period of December 1989 to January 2018, we assess a 49 factor model and generate information ratios that are approximately 1.5x greater than the OLS factor model. Furthermore, we compare our deep fundamental factor model with a quadratic LASSO model and demonstrate the superior performance and robustness to outliers. The Python source code and the data used for this study are provided.

연구 동기 및 목표

• 기존 신경망의 해석 가능성 한계를 극복하면서도 비선형 표현력을 유지하는 딥러닝 기반의 기본 요인 모델링 프레임워크를 개발하는 것.
• 네트워크 가중치의 유한한 분산을 통해 요인 민감도의 불확실성 정량화를 가능하게 하고, 타당한 통계적 추론을 지원하는 것.
• 고차원 데이터에 대해 확장 가능한 방식으로 요인 중요도를 순위화하고 상호작용 효과를 탐지하는 해석 가능한 방법을 제공하는 것.
• 선형 모델이나 LASSO 기반 모델을 초월해 비선형 관계와 이상치 민감도를 포착함으로써 자산 수익률 예측 성능을 향상시키는 것.
• OLS와 Barra와 같은 선형 요인 모델을 비선형적이고 깊이 있는 아키텍처로 일반화하면서도 통계적 해석 가능성을 유지하는 것.

제안 방법

• 기본 요인을 입력으로 받아 자산 수익률을 모델링하는 딥 뉴럴 네트워크를 사용하며, ReLU 또는 tanh 활성화 함수를 적용한다.
• 가중치 기반 불확실성 정량화를 통해 요인 민감도에 대한 유한한 신뢰구간을 도출하여 분산이 유한하고 타당한 추론이 가능하도록 보장한다.
• 민감도 기반의 해석 가능성 방법을 활용하여 네트워크 가중치 분포를 통해 요인 중요도 순위를 매기고 상호작용 효과를 탐지한다.
• 1989년 12월부터 2018년 1월까지 3,290개의 Russell 1000 주식을 대상으로 49개 요인 모델을 구축하고, 역전파와 정규화를 통해 학습한다.
• 정보비율, 산업 편중도, 요인 민감도 분포를 기준으로 OLS 및 이차형 LASSO 모델과의 성능을 비교한다.
• 부트스트래핑을 통해 요인 민감도 분포에 대한 신뢰구간을 적용하며, 가중치 곱의 이론적 분산 한계를 활용한다.

실험 결과

연구 질문

• RQ1 딥 뉴럴 네트워크는 기본 요인 모델링의 맥락에서 비선형 표현력을 유지하면서도 해석 가능하게 만들 수 있는가?
• RQ2 딥 요인 모델의 은닉층 포함 여부가 요인 민감도의 불확실성 정량화에 어떤 영향을 미치는가?
• RQ3 딥 펌테멘탈 팩터 모델은 OLS와 같은 선형 모델에 비해 정보비율을 얼마나 향상시키는가?
• RQ4 딥 모델은 자산 수익률의 상호작용 효과를 포착하고 이상치에 대해 LASSO 기반 모델보다 얼마나 우수한가?
• RQ5 네트워크 가중치에서 유도된 요인 민감도 분산의 이론적 한계는 깊이 있는 딥러닝 모델에서 강력한 통계적 추론을 가능하게 하는가?

주요 결과

• 딥 펌테멘탈 팩터 모델은 모든 테스트 포트폴리오에서 OLS 선형 모델 대비 약 1.5배 높은 정보비율을 달성한다.
• 모델의 민감도 분포는 유한한 분산을 가지며, 이는 타당한 부트스트래핑 신뢰구간과 강력한 불확실성 정량화를 가능하게 한다.
• 이상치 민감도를 LASSO보다 더 효과적으로 포착하며, 이는 중간값 범위는 유사하나 민감도 분포의 변동성이 더 크다는 점에서 뚜렷하다.
• 중간값 민감도 기반 순위에서 수익/가격(E/P), 예측 수익/가격(FE/P), 매출/기업가치(S/EV)가 세 가지 가장 중요한 요인으로 확인된다.
• 상호작용 효과는 LASSO 모델에서 더 두드러지지만, 딥 모델은 비선형 관계와 극단적 수익 사건을 더 잘 포착한다.
• 딥 모델의 산업 편중도 OLS와 평균 노출 수준은 유사하지만, 고북-가격, 수익-가격, 현금흐름 변동성/총자산 비율에 대해 더 강한 편중을 보인다.