[논문 리뷰] Deep Factor Alpha

Guanhao Feng, Nicholas G. Polson외 1명|arXiv (Cornell University)|2018. 05. 03.

Financial Markets and Investment Strategies참고 문헌 13인용 수 3

한 줄 요약

이 논문은 1975–2017년 미국 주식 수익률의 가격 결정 오차(알파)를 최소화하기 위해 57개의 기업 특성에서 비선형 장단기 요인을 자동으로 생성하는 딥 러닝 프레임워크인 Deep Factor Alpha를 제안한다. 시간적 시계열 및 교차단면 변동성에 기반해 역전파를 통해 딥 네ural 네트워크의 은닉 뉴런을 훈련시킴으로써, 기존의 CAPM 및 Fama-French 모델과 같은 벤치마크보다 더 뛰어난 샘플 외 예측 성능을 보이며, 이국적 현상과 정렬된 포트폴리오에 대한 알파 포착을 크게 향상시킨다.

ABSTRACT

Does a factor model exist to absorb all existing anomalies? We provide a deep learning automated solution to generate long-short factors using a high-dimensional firm characteristics. Sorting securities on firm characteristics is a common practice in finance and a nonlinear activation function built into deep learning. Our algorithm performs a nonlinear search and finds the optimal transformation of characteristics used for security sorting, with one asset pricing objective: minimizing alphas. Our deep factors, hidden neurons in the neural network, are trained greedily with the backward propagation feedback from the loss function that considers both time series and cross-sectional variations. Our conditional forecast generalizes a benchmark, such as CAPM, and includes Fama-French type models as special cases. We have designed a train-validation-test study for monthly U.S. equity returns from 1975 to 2017 and 57 published firm characteristics. In an out-of-sample evaluation, the conditional deep factor model shows a forecasting improvement over the benchmark with factors that offer significant alphas. The conclusion is the improvement of insignificant alphas for some anomalies as well as sorted portfolios.

연구 동기 및 목표

• 딥 러닝 기반의 요인 모델이 주식 가격 결정에서 기존의 모든 이면적 현상( anomalies)을 흡수할 수 있는가를 조사하는 것.
• 고차원의 기업 특성에서 자동으로 비선형 장단기 요인을 생성하는 방법을 개발하는 것.
• 기존의 CAPM 및 Fama-French 모델과 같은 전통적 벤치마크보다 샘플 외 예측 성능을 향상시키는 것.
• 딥 러닝을 통한 요인 구성 최적화를 통해 잔여 알파를 최소화함으로써 더 나은 가격 결정 효율성을 달성하는 것.

제안 방법

• 보안 정렬을 위한 57개의 기업 특성의 비선형 변환을 학습하기 위해 딥 네ural 네트워크가 훈련된다.
• 은닉 뉴런(딥 요인)은 수익률의 시계열 및 교차단면 변동성을 모두 반영하는 손실 함수를 사용해 역전파를 통해 게으르게 훈련된다.
• 모델의 조건부 예측은 CAPM과 같은 기존의 벤치마크 모델을 일반화하며, Fama-French 요인들이 특수한 경우로 포함된다.
• 1975년부터 2017년까지의 월간 미국 주식 수익률에 대해 훈련-검증-테스트 프레임워크가 적용된다.
• 손실 함수는 요인 모델의 알파를 명시적으로 최소화하여 더 나은 가격 결정 정확도를 목표로 한다.
• 비선형 활성화 함수는 복잡한 비단조선형 관계를 탐지하고 최적의 정렬을 위해 기업 특성의 비선형 관계를 발견할 수 있도록 한다.

실험 결과

연구 질문

• RQ1 딥 러닝 모델이 미국 주식에서 다양한 이면적 현상에 걸쳐 가격 결정 오차(알파)를 체계적으로 감소시키는 요인을 생성할 수 있는가?
• RQ2 딥 요인 모델이 기존의 선형 요인 모델인 CAPM 및 Fama-French 모델보다 샘플 외 예측에서 뛰어나게 성능을 발휘하는가?
• RQ3 모델이 기업 특성의 비선형 변환을 통해 기존의 이면적 현상을 얼마나 잘 흡수하고 설명할 수 있는가?
• RQ4 손실 함수에 시계열 및 교차단면 변동성을 통합함으로써 요인 품질과 가격 결정 정확도에 어떤 영향을 미치는가?

주요 결과

• 조건부 딥 요인 모델은 CAPM 및 Fama-French 요인과 같은 기존의 벤치마크 모델보다 샘플 외 예측 성능에서 뚜렷한 향상을 보였다.
• 일부 이면적 현상에 대해 알파가 감소하여 더 나은 가격 결정 효율성과 개선된 요인 표현을 나타냈다.
• 딥 요인은 선형 모델이 탐지하지 못하는 기업 특성의 비선형 관계를 포착했다.
• 기존의 요인 모델을 일반화하며, Fama-French 요인들이 이 프레임워크 내에서 특수한 경우로 나타났다.
• 훈련 과정은 잔여 알파를 최소화하는 최적의 비선형 특성 변환을 성공적으로 식별했다.
• 샘플 외 성능 결과는 딥 러닝이 주식 시장에서 요인 구성과 이면적 현상 가격 결정을 향상시킬 수 있음을 확인했다.