[论文解读] Uncertainty-Aware Lookahead Factor Models for Quantitative Investing

Lakshay Chauhan, John Alberg+1 more|arXiv (Cornell University)|Jul 7, 2020

Stock Market Forecasting Methods参考文献 45被引用 7

一句话总结

本文提出了一种考虑不确定性的前瞻性因子模型（LFMs），利用深度学习预测未来基本面数据，并通过纳入预测不确定性来提升投资组合表现。通过在5年基本面历史数据上训练LSTM模型，并将因子权重与预测方差成反比进行调整，该方法实现了17.7%的年化收益率和0.84的夏普比率，显著优于标准因子模型（14.0%收益率，0.52夏普比率）。

ABSTRACT

On a periodic basis, publicly traded companies report fundamentals, financial data including revenue, earnings, debt, among others. Quantitative finance research has identified several factors, functions of the reported data that historically correlate with stock market performance. In this paper, we first show through simulation that if we could select stocks via factors calculated on future fundamentals (via oracle), that our portfolios would far outperform standard factor models. Motivated by this insight, we train deep nets to forecast future fundamentals from a trailing 5-year history. We propose lookahead factor models which plug these predicted future fundamentals into traditional factors. Finally, we incorporate uncertainty estimates from both neural heteroscedastic regression and a dropout-based heuristic, improving performance by adjusting our portfolios to avert risk. In retrospective analysis, we leverage an industry-grade portfolio simulator (backtester) to show simultaneous improvement in annualized return and Sharpe ratio. Specifically, the simulated annualized return for the uncertainty-aware model is 17.7% (vs 14.0% for a standard factor model) and the Sharpe ratio is 0.84 (vs 0.52).

研究动机与目标

• 探究使用预测的未来基本面数据而非当前基本面数据是否能提升量化投资中的投资组合表现。
• 通过在因子构建中纳入模型不确定性，解决盈利预测中高不确定性的挑战。
• 评估不确定性感知前瞻性因子模型在绝对收益与风险调整后收益方面是否优于标准因子模型。
• 评估神经异方差回归与基于dropout的不确定性估计方法在提升投资决策方面的有效性。
• 通过20年样本外期的严格压力测试框架与工业级仿真工具验证该方法的有效性。

提出的方法

• 在5年历史基本面数据上训练长短期记忆网络（LSTM），以预测未来12个月的盈利（EBIT）。
• 通过将预测的未来盈利代入传统价值因子（如EBIT/EV）构建前瞻性因子模型（LFMs）。
• 采用两种方法估计预测不确定性：神经异方差回归与基于dropout的方差估计启发式方法。
• 将盈利预测值按估计方差的倒数进行缩放，以构建风险调整后的因子，降低对高不确定性股票的敞口。
• 使用工业级回测工具，模拟50只股票的多头投资组合、每季度再平衡的策略表现。
• 进行300次模拟运行，采用随机选取的股票池子集（70%）以确保稳健性，并通过自助抽样法进行统计显著性检验。

实验结果

研究问题

• RQ1 基于预测未来基本面数据的前瞻性因子模型是否能显著优于基于当前基本面数据的标准因子模型？
• RQ2 在量化投资中，纳入预测不确定性在多大程度上能提升风险调整后的投资组合表现？
• RQ3 在投资因子构建中，不同深度学习架构（LSTM与MLP）在预测未来基本面数据方面的表现如何比较？
• RQ4 使用不确定性感知前瞻性因子时，夏普比率与年化收益率的提升是否具有统计显著性？
• RQ5 基于dropout的方法与异方差回归得出的不确定性估计，能否有效降低投资组合波动率，同时维持高收益？

主要发现

• 使用完美未来盈利预测的全知模型实现了40%的复合年化收益率（CAR），表明前瞻性基本面数据具有巨大潜在价值。
• 不确定性感知前瞻性因子模型（UQ-LSTM）实现了17.7%的模拟年化收益率，显著高于标准因子模型的14.0%。
• 不确定性感知模型的夏普比率达0.84，而标准因子模型为0.52，表明其在风险调整后表现更优。
• 成对t检验确认，不确定性感知模型在夏普比率上的提升在0.05显著性水平下具有统计显著性。
• 横截面分析显示，从最低十等分到最高十等分的收益呈单调递增趋势，UQ-LSTM模型的因子溢价为0.83，t统计量为3.57。
• 在多项稳健性检验中，UQ-LSTM模型在收益与风险调整指标方面均优于标准因子模型及非不确定性感知的LFM变体。