[논문 리뷰] Factor Investing with a Deep Multi-Factor Model

Zikai Wei, Bo Dai외 1명|arXiv (Cornell University)|2022. 10. 22.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 요소 투자에 그래프 기반 딥 러닝에 재무 통찰을 통합하는 딥 다중요인 모델을 제안한다. 산업 수준 및 유니버스 수준의 관계를 갖는 계층적이고 동적인 주식 그래프를 구축하고, 그래프 어텐션 및 요인 어テン션 모듈을 사용함으로써 해석 가능한 딥 요인을 학습한다. 이 모델은 중국 주식 인덱스 전반에서 누적 수익률과 정보비율 측면에서 선형 모델 및 비해석 가능한 딥 베이스라인을 능가한다.

ABSTRACT

Modeling and characterizing multiple factors is perhaps the most important step in achieving excess returns over market benchmarks. Both academia and industry are striving to find new factors that have good explanatory power for future stock returns and good stability of their predictive power. In practice, factor investing is still largely based on linear multi-factor models, although many deep learning methods show promising results compared to traditional methods in stock trend prediction and portfolio risk management. However, the existing non-linear methods have two drawbacks: 1) there is a lack of interpretation of the newly discovered factors, 2) the financial insights behind the mining process are unclear, making practitioners reluctant to apply the existing methods to factor investing. To address these two shortcomings, we develop a novel deep multi-factor model that adopts industry neutralization and market neutralization modules with clear financial insights, which help us easily build a dynamic and multi-relational stock graph in a hierarchical structure to learn the graph representation of stock relationships at different levels, e.g., industry level and universal level. Subsequently, graph attention modules are adopted to estimate a series of deep factors that maximize the cumulative factor returns. And a factor-attention module is developed to approximately compose the estimated deep factors from the input factors, as a way to interpret the deep factors explicitly. Extensive experiments on real-world stock market data demonstrate the effectiveness of our deep multi-factor model in the task of factor investing.

연구 동기 및 목표

• 딥 러닝 기반 요소 투자에서의 해석 가능성 부족 문제를 해결하기 위해 모델 구성 요소에 재무 통찰을 통합한다.
• 산업 수준 및 유니버스 수준에서의 계층적이고 다중관계적인 그래프 구조를 통해 복잡하고 동적인 주식 관계를 모델링한다.
• 원래의 스타일 요인 및 거시경제 요인으로부터 딥 요인이 어떻게 유도되는지 명시적으로 해석할 수 있는 요인 어텐션 모듈을 개발한다.
• 비선형적이고 그래프 기반의 표현 방식을 사용하여 횡단적 요소 투자에서 예측 능력과 리스크 조정 수익률을 향상시킨다.
• 실제 데이터에서 시가총액(소형주, 중형주, 대형주) 전반에 걸쳐 모델의 일반화 능력을 검증한다.

제안 방법

• 산업 내 연결(산업 그래프)과 산업 간 연결(유니버스 그래프)이라는 두 가지 간선 유형을 갖는 동적이고 다중관계 주식 그래프를 구축한다.
• 그래프 어텐션 네트워크(GATs)를 적용하여 주식 컨텍스트에 영향을 주는 계층적 영향(원래, 산업 중립화, 유니버스 중립화)을 학습한다.
• 다양한 해상도에서 주식 표현을 추출하기 위해 컨텍스트 인코더를 사용하며, 재무적 현실성을 확보하기 위해 산업 및 시장 중립화를 통합한다.
• 원래 입력 요인(예: 밸류, 퀄리티, 모멘타ム 등)이 최종 딥 요인에 기여하는 정도를 추정하기 위해 요인 어텐션 모듈을 활용하여 해석 가능성을 확보한다.
• 검증 손실 최소화를 통한 엔드 투 엔드 최적화 방식으로 모델을 훈련하며, 월간 리밸런싱을 수행하는 10% 롱온리 포트폴리오를 구성한다.
• 다중 수준 아키텍처를 구현: 주식 노드 → 산업 및 유니버스 그래프 → 어텐션 기반 컨텍스트 융합 → 딥 요인 예측

실험 결과

연구 질문

• RQ1 재무 해석 가능성을 갖춘 딥 러닝 모델이 요소 투자에서 전통적인 선형 모델 및 블랙박스 딥 러닝 모델을 능가할 수 있는가?
• RQ2 산업 수준 및 유니버스 수준의 주식 관계는 요인 예측 및 리스크 조정 수익률 향상에 어떻게 기여하는가?
• RQ3 어떻게 어텐션 메커니즘이 학습된 딥 요인의 경제적 논리성을 투명하고 해석 가능한 방식으로 드러낼 수 있는가?
• RQ4 모델은 실제 주식 시장에서 다양한 시가총액(소형주, 중형주, 대형주)에 일반화되는가?
• RQ5 계층적 그래프 표현 학습은 표준 신경망에 비해 딥 요인의 안정성과 설명력 향상에 기여하는가?

주요 결과

• 제안된 딥 다중요인 모델(DMFM)은 중국 주식 인덱스 세 종류(CSI1000, CSI500, CSI300) 전반에서 선형 모델, 등가중치 모델, MLP, MLP&GAT 베이스라인보다 일관되게 높은 누적 수익률과 샤프 지수를 기록했다.
• 모델의 샤프 지수는 모든 베이스라인에서 양수였고, 베이스라인의 경우 음수 샤프 지수(-0.11에서 -0.20)를 기록하여 리스크 조정 수익률 측면에서 열등한 성능을 보였다.
• 요인 어텐션 모듈은 모든 테스트 기간 동안 퀄리티 요인이 평균적으로 가장 높은 어텐션 가중치를 확보했으며, 이는 딥 요인 형성에서의 주도적 역할을 시사한다.
• 동적 그래프 구조는 주식 간 관계와 구성 종목의 변화를 효과적으로 포착했으며, 주당 간선 수가 시간에 따라 유의미하게 변동함으로써 시장 역학을 반영했다.
• 모델은 시가총액 전반에서 강력한 일반화 능력을 보였으며, 소형주(CSI1000), 중형주(CSI500), 대형주(CSI300) 유니버스 전반에서 모든 베이스라인을 능가했다.
• DMFM의 ICIR(정보계수 정보비율)와 IR은 유의미하게 높아, 딥 요인의 예측 능력 향상과 안정성 향상을 확인했다.