[论文解读] Factor Investing with a Deep Multi-Factor Model

Zikai Wei, Bo Dai+1 more|arXiv (Cornell University)|Oct 22, 2022

Stock Market Forecasting Methods被引用 4

一句话总结

该论文提出了一种深度多因子模型，通过将金融洞察融入基于图的深度学习，实现因子投资的可解释性。通过构建行业与全市场层面的层次化、动态股票图，并结合图注意力与因子注意力模块，该模型学习到可解释的深度因子，在中国股票指数的累计收益和信息比率方面均优于线性模型与不可解释的深度基线模型。

ABSTRACT

Modeling and characterizing multiple factors is perhaps the most important step in achieving excess returns over market benchmarks. Both academia and industry are striving to find new factors that have good explanatory power for future stock returns and good stability of their predictive power. In practice, factor investing is still largely based on linear multi-factor models, although many deep learning methods show promising results compared to traditional methods in stock trend prediction and portfolio risk management. However, the existing non-linear methods have two drawbacks: 1) there is a lack of interpretation of the newly discovered factors, 2) the financial insights behind the mining process are unclear, making practitioners reluctant to apply the existing methods to factor investing. To address these two shortcomings, we develop a novel deep multi-factor model that adopts industry neutralization and market neutralization modules with clear financial insights, which help us easily build a dynamic and multi-relational stock graph in a hierarchical structure to learn the graph representation of stock relationships at different levels, e.g., industry level and universal level. Subsequently, graph attention modules are adopted to estimate a series of deep factors that maximize the cumulative factor returns. And a factor-attention module is developed to approximately compose the estimated deep factors from the input factors, as a way to interpret the deep factors explicitly. Extensive experiments on real-world stock market data demonstrate the effectiveness of our deep multi-factor model in the task of factor investing.

研究动机与目标

• 通过将金融洞察嵌入模型组件，解决基于深度学习的因子投资中可解释性不足的问题。
• 通过在行业与全市场层面构建分层、多关系图结构，对复杂且动态的股票关系进行建模。
• 开发因子注意力模块，明确解释深度因子如何从原始风格因子与宏观经济因子中演化而来。
• 通过非线性、基于图的表示方法，提升横截面因子投资的预测能力与风险调整后收益。
• 在真实世界数据中，验证模型在不同市值（小盘、中盘与大盘）中的泛化能力。

提出的方法

• 构建具有两种边类型的动态多关系股票图：行业内部（行业图）与行业之间（全市场图）的连接。
• 应用图注意力网络（GATs）学习对股票上下文产生影响的分层效应——原始、行业去偏与全市场去偏。
• 使用上下文编码器在多个粒度上提取股票表征，结合行业与市场去偏，以增强金融现实性。
• 采用因子注意力模块，估算原始输入因子（如价值、质量、动量）对最终深度因子的贡献，实现可解释性。
• 通过端到端优化进行训练，以最小化验证损失，并采用月度再平衡方式构建10%的多头投资组合。
• 实施多层架构：股票节点 → 行业与全市场图 → 基于注意力的上下文融合 → 深度因子预测。

实验结果

研究问题

• RQ1 具备金融可解释性的深度学习模型是否能在因子投资中超越传统线性模型与黑箱深度学习模型？
• RQ2 行业层面与全市场层面的股票关系在提升因子预测能力与风险调整后收益方面起到何种作用？
• RQ3 注意力机制在多大程度上能够以透明、可解释的方式揭示所学深度因子背后的经济逻辑？
• RQ4 该模型是否能在真实世界股票市场中，对不同市值（小盘、中盘与大盘）股票实现泛化？
• RQ5 与标准神经网络相比，分层图表示学习是否能增强深度因子的稳定性和解释力？

主要发现

• 所提出的深度多因子模型（DMFM）在所有三个中国股票指数（CSI1000、CSI500、CSI300）中，均持续实现高于线性模型、等权模型、MLP与MLP&GAT基线模型的主动收益与夏普比率。
• 该模型在所有基线中均保持正夏普比率，而基线模型的夏普比率为负（-0.11至-0.20），表明其风险调整后表现更优。
• 因子注意力模块显示，在所有测试期间，质量因子获得最高的平均注意力权重，表明其在深度因子形成中占据主导地位。
• 动态图结构有效捕捉了股票关系与成分股的变化，每只股票的边数随时间显著波动，反映出市场动态。
• 该模型在不同市值中均表现出强大的泛化能力，在小盘股（CSI1000）、中盘股（CSI500）与大盘股（CSI300）中均优于所有基线模型。
• DMFM的信息系数信息比率（ICIR）与信息比率（IR）显著更高，证实了深度因子预测能力与稳定性的提升。