[论文解读] Improving Factor-Based Quantitative Investing by Forecasting Company Fundamentals

John Alberg, Zachary C. Lipton|arXiv (Cornell University)|Nov 13, 2017

Forecasting Techniques and Applications参考文献 10被引用 29

一句话总结

本文提出前瞻因子模型（Lookahead Factor Models, LFMs），利用多层感知机（MLP）和循环神经网络（RNN）对过去5年的历史数据进行训练，预测未来公司基本面指标，使因子投资策略能够提前预判财务健康状况。该方法实现了17.1%的年化复合收益率，显著优于标准因子模型（14.4%），并通过提升基本面预测准确性，展现出更优的风险调整后收益。

ABSTRACT

On a periodic basis, publicly traded companies are required to report fundamentals: financial data such as revenue, operating income, debt, among others. These data points provide some insight into the financial health of a company. Academic research has identified some factors, i.e. computed features of the reported data, that are known through retrospective analysis to outperform the market average. Two popular factors are the book value normalized by market capitalization (book-to-market) and the operating income normalized by the enterprise value (EBIT/EV). In this paper: we first show through simulation that if we could (clairvoyantly) select stocks using factors calculated on future fundamentals (via oracle), then our portfolios would far outperform a standard factor approach. Motivated by this analysis, we train deep neural networks to forecast future fundamentals based on a trailing 5-years window. Quantitative analysis demonstrates a significant improvement in MSE over a naive strategy. Moreover, in retrospective analysis using an industry-grade stock portfolio simulator (backtester), we show an improvement in compounded annual return to 17.1% (MLP) vs 14.4% for a standard factor model.

研究动机与目标

• 探究利用未来基本面预测是否能提升因子投资策略的表现。
• 评估标准因子模型与使用预测未来基本面指标的模型之间的表现差距。
• 开发并验证能够从历史时间序列中预测关键财务指标（如EBIT、账面价值等）的深度学习模型。
• 在现实的回测环境中，证明前瞻因子模型的实际超额收益表现。
• 评估模型架构（MLP与RNN）及损失加权对预测准确性和投资组合收益的影响。

提出的方法

• 在20项基本面特征（如TTM收入、MRQ EBIT、现金、应收款等）的过去5年滚动窗口上训练多层感知机（MLP）和循环神经网络（RNN）。
• 采用12个月的前瞻时间窗口预测未来基本面指标，输入数据按月离散化并滞后12个月。
• 使用AdaDelta优化算法，并结合L2范数裁剪以防止梯度爆炸，通过超参数α₁和α₂对EBIT预测和最终时间步损失进行加权。
• 以均方误差（MSE）作为主要损失函数，并采用类别平衡加权策略，优先提升EBIT预测的准确性。
• 采用真实行业级回测器，模拟每月调仓、交易成本、滑点及股息再投资。
• 通过样本外MSE和模拟投资组合收益（年化复合收益率、夏普比率）对比基线模型（朴素模型、线性模型、QFM）评估模型性能。

实验结果

研究问题

• RQ1 利用深度学习预测未来基本面是否能提升因子投资策略的表现？
• RQ2 前瞻因子模型与使用当前基本面指标的标准因子模型相比，表现如何？
• RQ3 在长期投资背景下，使用MLP与RNN预测未来财务基本面的相对影响是什么？
• RQ4 对EBIT预测和最终时间步损失进行加权在多大程度上提升了模型准确性和投资组合收益？
• RQ5 交易成本和市场冲击（滑点）在多大程度上影响前瞻因子策略在现实世界中的可行性？

主要发现

• 采用MLP的前瞻因子模型实现了17.1%的年化复合收益率（CAR），显著优于标准因子模型（14.4%）和标普500指数（4.5%）。
• 采用MLP的LFM模型在样本外MSE为0.47，显著低于朴素预测器（0.62）和线性回归模型（0.53）。
• 采用RNN的LFM模型实现了16.7%的年化复合收益率和0.67的夏普比率，均超过标准因子模型（14.4% CAR，0.55 夏普比率）。
• 使用未来基本面信息的“全知预言者”模型实现了44%的年化复合收益率，验证了前瞻预测的潜力。
• LFM-MLP模型的夏普比率为0.68，表明其风险调整后表现优于标准因子模型（0.55）。
• 该模型在动荡市场条件下表现稳健，神经网络在样本外MSE上始终优于朴素预测器。