[论文解读] Equity2Vec: End-to-end Deep Learning Framework for Cross-sectional Asset Pricing

Qingyao Wu, Christopher G. Brinton+4 more|arXiv (Cornell University)|Sep 7, 2019

Banking stability, regulation, efficiency被引用 5

一句话总结

Equity2Vec 提出了一种端到端的深度学习框架，用于横截面资产定价，通过基于图的嵌入方法，利用新闻共提及关系学习股票的动态与静态关联，同时整合异构数据源（技术因子、新闻信号、横截面信号）。该框架在收益预测方面优于最先进模型，并在回测模拟中展现出显著的盈利能力。

ABSTRACT

Pricing assets has attracted significant attention from the financial technology community. We observe that the existing solutions overlook the cross-sectional effects and not fully leveraged the heterogeneous data sets, leading to sub-optimal performance. To this end, we propose an end-to-end deep learning framework to price the assets. Our framework possesses two main properties: 1) We propose Equity2Vec, a graph-based component that effectively captures both long-term and evolving cross-sectional interactions. 2) The framework simultaneously leverages all the available heterogeneous alpha sources including technical indicators, financial news signals, and cross-sectional signals. Experimental results on datasets from the real-world stock market show that our approach outperforms the existing state-of-the-art approaches. Furthermore, market trading simulations demonstrate that our framework monetizes the signals effectively.

研究动机与目标

• 解决现有资产定价模型忽略横截面效应且未能充分利用异构数据源的局限性。
• 开发一种股票表征方法，以捕捉静态（行业、供应链）和动态（演变的投资者情绪）的股票关联。
• 将基于新闻的信号、技术指标和横截面信号整合到统一的深度学习模型中，以提升收益预测能力。
• 通过现实的市场交易模拟，实现预测信号的有效货币化。

提出的方法

• Equity2Vec 从长期新闻共提及中构建全局股票共现矩阵，通过矩阵分解提取静态的长期股票关联。
• 构建一个动态股票图，其中节点代表股票，边代表演变的共提及关系，支持跨横截面信号的传播。
• 该框架采用图神经网络（GNN）启发的传播机制，基于邻近股票更新股票嵌入，以捕捉市场依赖关系的动态演变。
• 将学习到的股票嵌入与技术指标和新闻情绪信号融合，输入统一的深度神经网络以完成最终的收益预测。
• 模型使用中国股票市场的真实世界数据（2009–2018）进行端到端训练，覆盖超过3,600只股票。
• 通过市场模拟框架评估模型的盈利能力，利用预测信号验证其在现实世界中的货币化潜力。

实验结果

研究问题

• RQ1 如何从新闻共提及中有效建模股票关联（包括静态与动态），以改善资产定价？
• RQ2 能否通过整合异构数据源（新闻、技术因子、横截面信号）的统一深度学习框架，在横截面收益预测中超越现有模型？
• RQ3 所学习的股票嵌入在多大程度上与已知的金融行业分类和经济关系一致？
• RQ4 该模型的预测信号能否在模拟交易环境中有效实现货币化？

主要发现

• Equity2Vec 在横截面收益预测方面显著优于最先进模型，在真实世界中国股票市场数据上展现出更高的预测准确性。
• 在回测交易模拟中，该模型实现了更高的累计收益和夏普比率，证实了其信号的有效货币化能力。
• 通过 Equity2Vec 学习到的股票嵌入与商业风险模型的行业分类高度一致，验证了其经济可解释性。
• 该框架能有效捕捉市场动态演变，例如通过动态图传播捕捉由零售投资者情绪驱动的协同波动（如2021年游戏驿站和AMC的行情）。
• 新闻共提及是底层股票关联（包括行业和供应链联系）的强有力代理，其证据来自价格走势的同步性。
• 整合多种数据源（新闻、技术因子、横截面信号）的性能优于仅依赖单一数据类型模型。