[논문 리뷰] Deep Learning in Asset Pricing

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

Financial Markets and Investment Strategies인용 수 1

한 줄 요약

이 논문은 기업 특성들을 입력으로 사용하여 비감소형 신경망을 훈련시켜 자산 가격 정책을 향상시키기 위한 비선형적이고 상호작용이 풍부한 요인(딥 팩터)을 생성하는 딥러닝 접근법을 제안한다. 지연된 특성에 따라 주식을 정렬하여 장단운용 포트폴리오 가중치를 은닉층으로 사용함으로써 입력에 대한 차원 감소를 수행하는 모델은 요인 대신 입력에 초점을 맞추어 강건한 샘플 외 성능과 더 나은 이면수정 분석을 제공한다.

ABSTRACT

To study the characteristics-sorted factor model in asset pricing, we develop a bottom-up approach with state-of-the-art deep learning optimization. With an economic objective to minimize pricing errors, we train a non-reduced-form neural network using firm characteristics [inputs], and generate factors [intermediate features], to fit security returns [outputs]. Sorting securities on firm characteristics provides a nonlinear activation to create long-short portfolio weights, as a hidden layer, from lag characteristics to realized returns. Our model offers an alternative perspective for dimension reduction on firm characteristics [inputs], rather than factors [intermediate features], and allows for both nonlinearity and interactions on inputs. Our empirical findings are twofold. We find robust statistical and economic evidence in out-of-sample portfolios and individual stock returns. To interpret our deep factors, we show highly significant results in factor investing via the squared Sharpe ratio test, as well as improvement in dissecting anomalies.

연구 동기 및 목표

• 기업 특성을 입력으로 사용하여 가격 오차를 최소화하는 바닥에서부터 시작하는 딥러닝 프레임워크를 개발하는 것.
• 기업 특성 간의 비선형성과 상호작용 효과를 가능하게 하여 기존 선형 요인 모델의 한계를 해결하는 것.
• 출력(요인)이 아닌 입력(특성)에 초점을 맞춘 차원 감소 전략의 대안을 제공하는 것.
• 딥러닝을 활용한 더 나은 요인 구성으로 요인 투자 전략의 실증적 성능을 향상시키는 것.
• 샤프 비율과 이면수정 분석을 통해 학습된 딥 팩터의 경제적 의미를 해석하고 검증하는 것.

제안 방법

• 기업 특성을 입력으로, 실현된 주식 수익률을 출력으로 사용하여 비감소형 신경망을 훈련한다.
• 지연된 기업 특성에 따라 주식을 정렬하여 장단운용 포트폴리오 가중치를 비선형 활성화 함수로 사용한다.
• 결과로 도출된 포트폴리오 가중치를 신경망의 은닉층으로 간주하여 입력의 비선형 변환을 캡처한다.
• 가격 오차를 최소화하는 데 중점을 둔 경제적 목적 함수를 사용하여 모델을 최적화한다.
• 은닉층에서 중간 특징(딥 팩터)을 추출하여 해석과 평가를 수행한다.
• 모델의 예측 능력을 평가하기 위해 샘플 외 포트폴리오와 개별 주식 수익률에 모두 적용한다.

실험 결과

연구 질문

• RQ1 기업 특성에 기반한 딥러닝 모델이 샘플 외 테스트에서 기존 선형 요인 모델보다 우월한 가격 정책 요인을 생성할 수 있는가?
• RQ2 딥러닝 모델 내의 비선형 상호작용과 변환은 알려진 시장 이면수정의 분석에 어떤 영향을 미치는가?
• RQ3 학습된 딥 팩터는 기존 요인 대비 요인 투자 전략의 샤프 비율을 어느 정도 향상시키는가?
• RQ4 요인 구성 과정에서 출력이 아닌 입력에 초점을 맞춘 이 방법이 더 나은 차원 감소를 달성하는가?
• RQ5 딥 팩터는 경제적으로 해석 가능하고 개별 주식 수익률의 교차 섹션 설명에 통계적으로 유의미한가?

주요 결과

• 딥러닝 모델은 포트폴리오와 개별 주식 모두에 대해 샘플 외 테스트에서 가격 오차를 크게 감소시키는 요인을 생성한다.
• 모델은 높은 유의성의 결과를 보이며, 요인 투자 전략에 대한 제곱 샤프 비율 검정에서 강력한 통계적 및 경제적 성능을 입증한다.
• 딥 팩터는 자산 가격 정책 이면수정의 분석 및 설명 능력을 향상시켜 더 높은 설명력이 있음을 시사한다.
• 입력(기업 특성)에 작용하는 차원 감소 접근 방식이 복잡한 비선형 관계를 효과적으로 캡처함을 입증한다.
• 학습된 요소들은 강력한 샘플 외 예측 능력을 보이며 실무 자산 관리 응용 가능성을 시사한다.
• 지연된 특성에 따라 정렬한 비선형 활성화 함수는 선형 모델이 놓치는 기업 특성 간의 복잡한 상호작용을 모델이 포착할 수 있음을 보여준다.