[논문 리뷰] From Factor Models to Deep Learning: Machine Learning in Reshaping Empirical Asset Pricing

Junyi Ye, Bhaskar Goswami외 3명|arXiv (Cornell University)|2024. 03. 11.

Stock Market Forecasting Methods인용 수 6

한 줄 요약

머신 러닝과 인공지능이 경험적 자산 가격 책정에 어떻게 재편하는지에 대한 포괄적 검토로, 전통적 요인 모델에서 ML 기반 예측, 최적화 및 다중 모달 데이터 통합까지 다룹니다.

ABSTRACT

This paper comprehensively reviews the application of machine learning (ML) and AI in finance, specifically in the context of asset pricing. It starts by summarizing the traditional asset pricing models and examining their limitations in capturing the complexities of financial markets. It explores how 1) ML models, including supervised, unsupervised, semi-supervised, and reinforcement learning, provide versatile frameworks to address these complexities, and 2) the incorporation of advanced ML algorithms into traditional financial models enhances return prediction and portfolio optimization. These methods can adapt to changing market dynamics by modeling structural changes and incorporating heterogeneous data sources, such as text and images. In addition, this paper explores challenges in applying ML in asset pricing, addressing the growing demand for explainability in decision-making and mitigating overfitting in complex models. This paper aims to provide insights into novel methodologies showcasing the potential of ML to reshape the future of quantitative finance.

연구 동기 및 목표

• 전통적 자산 가격 모델의 한계와 유연하고 데이터 기반 접근법의 필요성 평가.
• 지도학습, 비지도학습, 준지도학습, 강화학습 등 ML 방법이 예측 정확도와 데이터 이질성을 어떻게 다루는지 조사.
• ML 보강 포트폴리오 최적화 및 리스크 관리 검토.
• 설명가능성, 과적합, 데이터 품질, 규제 고려사항 등의 도전 과제를 강조하고 향후 방향을 제시.

제안 방법

• 전통적 자산 가격 책정 프레임워크와 그 한계 검토.
• 자산 가격 책정 과제에 ML 계열 매핑(예측, 순위, 최적화).
• 그래프/트랜스포머를 포함한 자산 가격 책정을 위한 시계열 및 시공간 ML 모델 설명.
• 차원 축소, 결측 데이터 보간 및 대체 데이터의 통합 논의.
• ML 기반 자산 가격 책정의 도전 과제와 향후 방향 검토.

Figure 1: ML in Asset Pricing

실험 결과

연구 질문

• RQ1 ML 접근법이 전통적 요인모델을 넘어 자산 위험 프리미엄의 추정을 어떻게 개선하는가?
• RQ2 자산 가격 책정에서 시간적 및 횡단면 역동성을 포착하는 최적의 ML 아키텍처는 무엇인가(그래프 및 트랜스포머 포함)?
• RQ3 실증 금융에서 ML이 포트폴리오 최적화 및 리스크 관리 개선에 어떻게 기여할 수 있는가?
• RQ4 주요 도전과제(과적합, 해석가능성, 데이터 품질, 규제) 는 무엇이며 ML 기반 자산 가격 책정에서 어떻게 완화될 수 있는가?
• RQ5 자산 가격 책정에 ML을 통합하기에 가장 전망 좋은 향후 연구 방향은 무엇인가?

주요 결과

• ML과 AI는 비선형성을 모델링하고 이질적인 데이터 소스를 자산 가격 책정에 통합하는 유연한 프레임워크를 제공한다.
• ML 진전은 예측, 순위, 포트폴리오 최적화를 아우르며 시계열 및 시공간 모델에 그래프 기반 방법이 포함된다.
• 차원 축소 및 보간 기술은 팩터 동물원 문제와 결측 데이터를 완화하여 안정성과 해석 가능성을 향상시킨다.
• 멀티모달 모델을 통한 대체 데이터(텍스트, 이미지, 음성) 통합은 가격 통찰력을 강화하며 트랜스포머와 딥러닝의 발전에 의해 도움을 받는다.
• 저자들은 과적합, 설명가능성, 데이터 접근성, 규제 준수, 온라인/적응 학습 프레임워크의 필요성 등의 도전 과제를 논의한다.

Figure 2: General Pipelines of Temporal Models (Left) and Spatio-Temporal Models (Right).