[论文解读] Deep Learning in Characteristics-Sorted Factor Models

Guanhao Feng, He, Jingyu+2 more|arXiv (Cornell University)|May 3, 2018

Financial Markets and Investment Strategies参考文献 37被引用 50

一句话总结

论文开发了一个结构化深度学习框架，从公司特征生成潜在因子以对横截面资产收益进行定价，在增强的深层因子模型中最小化实现的定价误差。

ABSTRACT

This paper presents an augmented deep factor model that generates latent factors for cross-sectional asset pricing. The conventional security sorting on firm characteristics for constructing long-short factor portfolio weights is nonlinear modeling, while factors are treated as inputs in linear models. We provide a structural deep learning framework to generalize the complete mechanism for fitting cross-sectional returns by firm characteristics through generating risk factors -- hidden layers. Our model has an economic-guided objective function that minimizes aggregated realized pricing errors. Empirical results on high-dimensional characteristics demonstrate robust asset pricing performance and strong investment improvements by identifying important raw characteristic sources.

研究动机与目标

• 激励并在深度学习框架内形式化基于特征排序的因子方法。
• 开发一个结构化神经网络，产生深层特征，对证券进行排序，并生成潜在因子。
• 通过最小化总实现定价误差来定价股票收益的横截面。
• 将深度学习体系与资产定价中的经济无套利原理对齐。

提出的方法

• 引入一个前馈神经网络，将输入特征简化为深特征。
• 实现非线性排序机制，通过深特征创建多头空头投资组合权重。
• 从排序后的多头空头投资组合和实现收益构建深因素。
• 将动态因子加载作为条件于滞后特征的神经网络来建模。
• 优化目标以最小化实现定价误差的二次和，带正则化。
• 将该框架专门化为将Fama-French五因子模型嵌入为深度学习变体。

实验结果

研究问题

• RQ1 结构化深度学习模型是否能从公司特征生成潜在因子，以最小化横截面资产定价中的定价误差？
• RQ2 深层特征和非线性排序如何影响因子模型的解释力，相较于基准模型如CAPM和FF5？
• RQ3 将深因子加入传统基准後的增量定价表现如何？
• RQ4 对缺失数据和不平衡面板结果的鲁棒性如何？

主要发现

• 增强的深度因子模型在单只股票和测试投资组合的定价上均实现了稳健的改进。
• 使用 DL-CAPM 或 DL-FF5 的深因子 MVE 投资组合在样本内夏普比率（4.57 与 6.49）和样本外夏普比率（2.49 与 3.00）很高。
• 深因素在所述情景中对基准模型提供了完美对冲。
• 对原始特征如盈利意外和账面市值比的线性与非线性敞口是一致的。
• 该框架在在可比的统计与经济模型拟合度的同时，能够直接对特征进行降维。