[논문 리뷰] Deep Learning in Characteristics-Sorted Factor Models

Guanhao Feng, He, Jingyu외 2명|arXiv (Cornell University)|2018. 05. 03.

Financial Markets and Investment Strategies참고 문헌 37인용 수 50

한 줄 요약

이 논문은 구조적 딥 러닝 프레임워크를 개발하여 기업 특성으로부터 잠재 요인을 생성하고 증대된 딥 팩터 모델 내에서 실현된 가격 오류를 최소화하며 횡단면 자산 수익률을 가격한다.

ABSTRACT

This paper presents an augmented deep factor model that generates latent factors for cross-sectional asset pricing. The conventional security sorting on firm characteristics for constructing long-short factor portfolio weights is nonlinear modeling, while factors are treated as inputs in linear models. We provide a structural deep learning framework to generalize the complete mechanism for fitting cross-sectional returns by firm characteristics through generating risk factors -- hidden layers. Our model has an economic-guided objective function that minimizes aggregated realized pricing errors. Empirical results on high-dimensional characteristics demonstrate robust asset pricing performance and strong investment improvements by identifying important raw characteristic sources.

연구 동기 및 목표

• 딥 러닝 프레임워크 내에서 특성-정렬 팩터 방법론을 동기 부여하고 형식화한다.
• 깊은 특성들을 생성하고, 증권을 정렬하며, 잠재 요인을 생성하는 구조적 신경망을 개발한다.
• 실현된 가격 오류의 합성 제곱합을 최소화하여 주식 수익률의 횡단면을 가격한다.
• 자산 가격 책정에서 경제학적 무월등성(no-arbitrage) 원리에 딥 러닝 아키텍처를 일치시킨다.

제안 방법

• 입력 특성들을 깊은 특성으로 축소하는 피드포워드 신경망을 도입한다.
• 깊은 특성을 통해 롱-쇼트 포트폴리오 가중치를 생성하기 위한 비선형 정렬 메커니즘을 구현한다.
• 정렬된 롱-쇼트 포트폴리오와 실현 수익률로부터 딥 팩터를 구성한다.
• 지연된 특성에 조건부로 신경망을 사용하여 동적 팩터 로딩을 모델링한다.
• 실현된 가격 오류의 이차 합을 최소화하도록 목표를 최적화하고 정규화를 수행한다.
• Fama-French 다섯 팩터 모델을 딥 러닝 변형으로 내재화하도록 프레임워크를 특수화한다.

실험 결과

연구 질문

• RQ1 구조적 딥 러닝 모델이 기업 특성으로부터 잠재 요인을 생성하여 횡단면 자산 가격 책정에서 가격 오류를 최소화할 수 있는가?
• RQ2 깊은 특성 및 비선형 정렬이 CAPM 및 FF5와 같은 벤치마크 모델과 비교하여 팩터 모델의 설명력을 어떻게 바꾸는가?
• RQ3 전통적 벤치마크에 깊은 요인을 추가할 때 가격 책정 성능이 얼마나 증가하는가?
• RQ4 결과가 누락 데이터와 불균형 패널에 얼마나 강건한가?

주요 결과

• 증강된 딥 팩터 모델은 개별 주식과 검사 포트폴리오 모두에서 가격 책정의 강건한 개선을 달성한다.
• 깊은 요인의 MVE 포트폴리오는 DL-CAPM 또는 DL-FF5와 함께 높은 인-샘플 샤프비율(4.57 및 6.49)과 우-샘플 샤프비율(2.49 및 3.00)을 제공한다.
• 깊은 요인은 보고된 시나리오에서 벤치마크 모델에 대해 완벽한 헤지 효과를 제공한다.
• 수익 서프라이즈, 장부가 대 시장가치 비율 등과 같은 원시 특성에 대해 일관된 선형 및 비선형 노출이 발견된다.
• 이 프레임워크는 차원 축소를 특성에서 직접 가능하게 하면서 통계적 및 경제적 모델 적합도와 비슷한 수준을 유지한다.