[论文解读] A News-based Machine Learning Model for Adaptive Asset Pricing

Liao Zhu, Haoxuan Wu+1 more|arXiv (Cornell University)|Jun 13, 2021

Stock Market Forecasting Methods参考文献 29被引用 5

一句话总结

该论文提出了新闻嵌入UMAP选择（NEUS）模型，一种利用金融新闻推导公司嵌入的机器学习框架，结合词嵌入与UMAP技术实现自适应基准资产选择，在解释和预测所有行业股票收益方面显著优于Fama-French五因子模型，表现出更高的样本内与样本外R平方值。

ABSTRACT

The paper proposes a new asset pricing model -- the News Embedding UMAP Selection (NEUS) model, to explain and predict the stock returns based on the financial news. Using a combination of various machine learning algorithms, we first derive a company embedding vector for each basis asset from the financial news. Then we obtain a collection of the basis assets based on their company embedding. After that for each stock, we select the basis assets to explain and predict the stock return with high-dimensional statistical methods. The new model is shown to have a significantly better fitting and prediction power than the Fama-French 5-factor model.

研究动机与目标

• 开发一种动态的、以新闻为驱动的资产定价模型，利用自然语言处理技术实时响应市场信息。
• 克服传统多因子模型（如Fama-French五因子模型）的局限性，后者为静态模型，且在样本外预测中缺乏预测能力。
• 通过基于新闻的公司嵌入与聚类技术，从ETF中识别出具有代表性的基准资产集合。
• 通过高维统计方法自适应选择相关基准资产，提升股票收益预测能力。
• 在多样化行业中验证模型的稳健性与优越性，尤其在Fama-French模型表现欠佳的领域。

提出的方法

• 基于Dow Jones DNA数据库中合并的新闻文章，使用段落向量（PV-DM）模型为603只ETF推导公司嵌入向量。
• 应用统一流形近似与投影（UMAP）进行降维，并基于公司嵌入对ETF进行聚类，以识别具有代表性的基准资产。
• 采用最小凹惩罚（MCP）与最小原型聚类（MPC）进行高维变量选择，识别每只股票最相关的基准资产。
• 基于所选基准资产构建自适应多因子（AMF）模型，以解释并预测个股收益。
• 以样本外调整R平方为主要性能指标进行模型训练与验证，并与Fama-French五因子基准进行对比。
• 根据Dow Jones分类标准，将股票划分为17个行业，以评估模型在各行业的表现。

实验结果

研究问题

• RQ1 利用金融新闻文本数据的机器学习模型是否能显著提升资产定价模型的解释力与预测力，相较传统多因子模型？
• RQ2 基于新闻嵌入的基准资产自适应选择，是否能带来优于Fama-French五因子模型等固定因子模型的样本外表现？
• RQ3 NEUS模型在不同行业中的表现如何，特别是在Fama-French模型已知表现欠佳的行业中？
• RQ4 UMAP与词嵌入技术在从非结构化新闻数据中识别相关风险因子方面的增强作用有多大？
• RQ5 NEUS模型在所有市场行业中是否具有稳健性，且在样本内与样本外设置中是否始终优于基准模型？

主要发现

• NEUS模型的样本外调整R平方达到0.18，而Fama-French五因子模型为-0.029，表明其具备强大的预测能力。
• 在样本内，NEUS模型的平均调整R平方为0.375，比Fama-French模型的0.287高出31%。
• 对于一周后预测，NEUS模型的样本外平均调整R平方比Fama-French模型的0.199高出55%。
• 在全部17个行业中，NEUS模型均优于Fama-French五因子模型，其中金融、公用事业与能源行业改善最为显著。
• Fama-French模型在公用事业与电信服务行业难以解释收益表现，而NEUS模型在所有行业中均保持强劲表现。
• 通过分行业对比验证了NEUS模型的稳健性，从未出现Fama-French模型在样本内或样本外表现优于NEUS模型的情况。