[论文解读] Supervised Neural Networks for Illiquid Alternative Asset Cash Flow Forecasting

Tugce Karatas, Federico Klinkert+1 more|arXiv (Cornell University)|Aug 5, 2021

Stock Market Forecasting Methods被引用 4

一句话总结

本文提出了一种新颖的直接与间接深度学习框架，采用LSTM/GRU网络结合滑动窗口方法，对非流动性私人股权基金的现金流进行预测，相较于基准模型表现出更优的实际现金流对齐效果，尤其在将宏观经济指标整合到直接预测模型中时表现更佳。

ABSTRACT

Institutional investors have been increasing the allocation of the illiquid alternative assets such as private equity funds in their portfolios, yet there exists a very limited literature on cash flow forecasting of illiquid alternative assets. The net cash flow of private equity funds typically follow a J-curve pattern, however the timing and the size of the contributions and distributions depend on the investment opportunities. In this paper, we develop a benchmark model and present two novel approaches (direct vs. indirect) to predict the cash flows of private equity funds. We introduce a sliding window approach to apply on our cash flow data because different vintage year funds contain different lengths of cash flow information. We then pass the data to an LSTM/ GRU model to predict the future cash flows either directly or indirectly (based on the benchmark model). We further integrate macroeconomic indicators into our data, which allows us to consider the impact of market environment on cash flows and to apply stress testing. Our results indicate that the direct model is easier to implement compared to the benchmark model and the indirect model, but still the predicted cash flows align better with the actual cash flows. We also show that macroeconomic variables improve the performance of the direct model whereas the impact is not obvious on the indirect model.

研究动机与目标

• 解决非流动性另类资产（尤其是私人股权基金）现金流预测中的关键挑战，传统模型依赖于限制性假设。
• 开发一种灵活、无假设的深度学习框架，以提高私人股权基金现金流流入与流出的预测准确性。
• 整合宏观经济指标与市场指数，以增强模型对市场环境变化的响应能力。
• 比较直接与间接预测方法的性能、鲁棒性及对市场冲击的适应能力。
• 基于季度调整的耶鲁模型建立基准模型，用于对比评估深度学习方法。

提出的方法

• 采用滑动窗口技术对不同存续年份和历史数据长度的基金现金流数据进行时间序列标准化。
• 将标准化数据输入LSTM和GRU神经网络，用于直接与间接现金流预测框架。
• 实施直接预测模型，端到端预测未来现金流，无需依赖中间参数估计。
• 开发间接预测模型，先估计基金生命周期参数（如存续期、投资期等），再预测现金流。
• 将宏观经济变量——如GDP、失业率、通货膨胀率、收益率、黄金价格、标普500指数和罗素2000指数——整合到输入特征中，以捕捉市场环境的影响。
• 使用均方误差（MSE）损失函数训练模型100个周期，采用早停法并在独立验证集上进行验证，以防止过拟合。

实验结果

研究问题

• RQ1 与基准的季度调整耶鲁模型相比，直接与间接深度学习模型在预测私人股权基金现金流方面表现如何？
• RQ2 宏观经济指标在多大程度上提升了现金流预测模型的预测性能？
• RQ3 滑动窗口方法能否有效标准化来自不同存续年份和持续期基金的异构现金流数据？
• RQ4 直接预测框架是否比间接方法更能捕捉市场冲击和现金流模式的动态变化？
• RQ5 整合公开市场指数与宏观经济变量对模型泛化能力与鲁棒性有何影响？

主要发现

• 直接预测模型在训练集上的均方误差（MSE）为0.000093，在验证集上为0.0011，优于基准模型和间接方法。
• 与依赖中间参数估计并引入噪声的间接模型相比，直接模型与实际现金流的对齐程度更强，尤其在出资额和净资产值（NAV）方面。
• 整合宏观经济变量显著提升了直接模型的性能，表现为损失值降低；而其对间接模型的影响则不甚明显。
• 直接模型在捕捉非线性现金流模式方面更具灵活性，并对市场变化响应更动态，因此更适合用于压力测试。
• 间接模型虽因参数估计更具可解释性，但因初始参数拟合步骤中的误差传播导致性能下降。
• 2006年与2008年存续期基金的预测图显示，直接模型能紧密跟踪实际出资额与NAV值，尽管累积分布存在部分偏差，支持后续模型采用季度数据。