[论文解读] Deep Recurrent Factor Model: Interpretable Non-Linear and Time-Varying Multi-Factor Model

Kei Nakagawa, Tomoki Ito+2 more|arXiv (Cornell University)|Jan 20, 2019

Stock Market Forecasting Methods参考文献 27被引用 9

一句话总结

本文提出了一种深度循环因子模型，通过使用长短期记忆（LSTM）网络将线性多因子模型扩展为非线性和时变形式，同时通过逐层相关性传播（LRP）确保可解释性。该方法在日本股票数据上的预测性能优于线性模型和全连接深度学习模型，兼具高精度与透明度，适用于机构使用。

ABSTRACT

A linear multi-factor model is one of the most important tools in equity portfolio management. The linear multi-factor models are widely used because they can be easily interpreted. However, financial markets are not linear and their accuracy is limited. Recently, deep learning methods were proposed to predict stock return in terms of the multi-factor model. Although these methods perform quite well, they have significant disadvantages such as a lack of transparency and limitations in the interpretability of the prediction. It is thus difficult for institutional investors to use black-box-type machine learning techniques in actual investment practice because they should show accountability to their customers. Consequently, the solution we propose is based on LSTM with LRP. Specifically, we extend the linear multi-factor model to be non-linear and time-varying with LSTM. Then, we approximate and linearize the learned LSTM models by LRP. We call this LSTM+LRP model a deep recurrent factor model. Finally, we perform an empirical analysis of the Japanese stock market and show that our recurrent model has better predictive capability than the traditional linear model and fully-connected deep learning methods.

研究动机与目标

• 解决线性多因子模型在捕捉金融市场非线性和时变动态方面的局限性。
• 在传统线性模型和全连接深度学习方法的基础上，进一步提升股票收益预测的准确性。
• 通过将逐层相关性传播（LRP）应用于基于LSTM的模型，确保金融领域深度学习模型的可解释性。
• 使机构投资者能够使用具备问责机制的先进机器学习模型，克服‘黑箱’问题。
• 在真实世界日本股票市场数据上实证验证模型性能。

提出的方法

• 通过用深度LSTM网络替代线性变换，将线性多因子模型扩展，以捕捉非线性和时变的因子载荷。
• 采用序列建模方法，对历史因子暴露和收益随时间进行处理，以学习动态关系。
• 应用逐层相关性传播（LRP）来近似并线性化LSTM模型的预测结果，实现特征重要性的解释。
• 以股票收益预测为目标端到端训练LSTM模型，LRP在事后用于解释预测结果。
• 采用混合架构，结合深度学习的预测能力与LRP的可解释性。
• 在日本股票市场数据集上验证模型性能，与线性模型和全连接深度学习基线模型进行比较。

实验结果

研究问题

• RQ1 基于LSTM的模型是否能相比线性多因子模型提升股票收益预测的准确性？
• RQ2 通过LSTM引入时变非线性因子载荷，是否能带来优于静态模型或全连接深度学习模型的性能？
• RQ3 逐层相关性传播（LRP）是否能有效解释基于LSTM的多因子模型在金融场景下的预测结果？
• RQ4 所提出的模型在实现优越预测性能的同时，能在多大程度上保持可解释性？
• RQ5 该深度循环因子模型在真实世界日本股票市场数据上的实证表现如何？

主要发现

• 深度循环因子模型在预测日本市场股票收益方面，显著优于传统的线性多因子模型。
• 该模型的预测性能优于全连接深度学习模型，表明使用LSTM进行序列建模具有优势。
• LRP成功提供了LSTM模型预测结果的可解释性解释，为输入因子分配了相关性得分。
• 模型的时间变异性与非线性特性使其能更有效地捕捉动态市场状态。
• 实证结果证实，LSTM与LRP的结合产生了一个既高度准确又透明的模型，适用于机构投资使用。
• 该模型在真实金融数据上表现出稳健性和泛化能力，验证了其实际适用性。