[论文解读] Deep Factor Alpha

Guanhao Feng, Nicholas G. Polson+1 more|arXiv (Cornell University)|May 3, 2018

Financial Markets and Investment Strategies参考文献 13被引用 3

一句话总结

本文提出 Deep Factor Alpha，一种深度学习框架，可从 57 个公司特征中自动生成非线性多空因子，以最小化美国股市收益（1975–2017 年）中的定价误差（阿尔法）。通过在时间序列和横截面收益变异上使用反向传播训练深度神经网络隐藏神经元，该模型在样本外预测中优于 CAPM 和法马-弗伦奇模型等基准，显著提升了对异常收益和分层投资组合的阿尔他捕捉能力。

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.

研究动机与目标

• 探究基于深度学习的因子模型是否能够吸收股权定价中的所有现有异常现象。
• 开发一种自动化的非线性方法，从高维公司特征中生成多空因子。
• 在传统基准模型（如 CAPM 和法马-弗伦奇模型）之上，提升样本外预测性能。
• 通过深度学习优化因子构建，最小化残差阿尔他值——表明定价效率更高。

提出的方法

• 训练深度神经网络，学习 57 个公司特征的非线性变换，以实现证券排序。
• 隐藏神经元（深度因子）通过反向传播进行贪婪训练，损失函数同时捕捉收益的时间序列与横截面变异。
• 该模型的条件预测可推广基准模型（如 CAPM），并可将法马-弗伦奇因子作为其特例。
• 采用训练-验证-测试框架，处理 1975 至 2017 年的月度美国股市收益数据。
• 损失函数明确最小化因子模型的阿尔他值，旨在提升定价准确性。
• 非线性激活函数使模型能够发现公司特征中复杂的非单调关系，以实现最优排序。

实验结果

研究问题

• RQ1 深度学习模型能否生成因子，系统性地减少美国股市中各类异常现象的定价误差（阿尔他值）？
• RQ2 深度因子模型在样本外预测中是否优于传统线性因子模型（如 CAPM 和法马-弗伦奇模型）？
• RQ3 该模型在多大程度上可通过公司特征的非线性变换，吸收并解释现有异常现象？
• RQ4 在损失函数中包含时间序列与横截面变异，对因子质量与定价准确性有何影响？

主要发现

• 条件性深度因子模型在样本外预测方面显著优于 CAPM 和法马-弗伦奇因子等基准模型。
• 该模型降低了多个异常现象的阿尔他值，表明定价效率更高，因子表征更优。
• 深度因子捕捉到了线性模型无法检测到的公司特征中的非线性关系。
• 该模型可推广现有因子模型，法马-弗伦奇因子在该框架下可作为特例出现。
• 训练过程成功识别出能最小化残差阿尔他值的最优非线性特征变换。
• 样本外表现证实，深度学习可增强因子构建与股票市场异常收益定价。