[论文解读] Deep Learning in Asset Pricing

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

Financial Markets and Investment Strategies被引用 1

一句话总结

本文提出一种深度学习方法，利用公司特征作为输入，训练非简化形式的神经网络，生成非线性、具有丰富交互作用的因子（深度因子），以改进资产定价。通过按滞后特征对证券进行排序，生成多空投资组合权重作为隐藏层，该模型在输入端而非因子端进行降维，从而实现稳健的样本外表现，并提升对异常现象的剖析能力。

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.

研究动机与目标

• 开发一种自下而上的深度学习框架用于资产定价，通过将公司特征作为输入，最小化定价误差。
• 通过在公司特征中引入非线性和交互效应，克服传统线性因子模型的局限性。
• 通过聚焦于输入（特征）而非输出（因子）提出一种替代性的降维策略。
• 通过利用深度学习改进因子构建，提升因子投资的实证表现。
• 通过夏普比率和异常分析，解释并验证所学深度因子的经济意义。

提出的方法

• 使用公司特征作为输入，实际证券收益作为输出，训练非简化形式的神经网络。
• 将证券按滞后公司特征排序，作为非线性激活函数，生成多空投资组合权重。
• 将所得投资组合权重视为神经网络中的隐藏层，捕捉输入的非线性变换。
• 使用以最小化定价误差为核心的经济目标函数优化模型。
• 从隐藏层中提取中间特征（深度因子）以供解释和评估。
• 将模型应用于样本外投资组合和个股收益，以评估其预测能力。

实验结果

研究问题

• RQ1 在公司特征上训练的深度学习模型，能否在样本外测试中生成优于传统线性因子模型的定价因子？
• RQ2 深度学习模型中的非线性交互与变换如何影响对已知市场异常现象的剖析？
• RQ3 与标准因子相比，所学深度因子在多大程度上提升了因子投资策略的夏普比率？
• RQ4 所提出的方法是否通过聚焦于因子构建过程中的输入而非输出，实现了更优的降维效果？
• RQ5 深度因子是否在解释横截面股票收益方面具有经济可解释性和统计显著性？

主要发现

• 深度学习模型生成的因子在样本外测试中显著降低了投资组合和个股的定价误差。
• 该模型展现出稳健的统计与经济表现，因子投资策略的平方夏普比率检验结果高度显著。
• 深度因子提升了剖析和解释资产定价异常现象的能力，表明其解释力更强。
• 该模型通过在输入端（公司特征）而非输出端（因子）实施降维，有效捕捉了复杂的非线性关系。
• 所学因子表现出强大的样本外预测能力，表明其在实际资产管理应用中具有潜力。
• 源于滞后特征排序的非线性激活函数使模型能够捕捉线性模型所遗漏的公司特征之间的复杂交互。