Deep Partial Least Squares für nichtlineare Aktienrisikofaktoren

Zusammenfassung

Das Dokument beschreibt Deep Partial Least Squares (DPLS), ein Modell zur Erklärung individueller Aktienrenditen anhand einer kleinen Zahl latenter Risikofaktoren und Unternehmensmerkmale. Die projizierte Methode der kleinsten Quadrate ordnet Renditen und Merkmale gemeinsam einem latenten Faktorenraum zu, während ein Deep-Learning-Netzwerk nichtlineare Beziehungen zwischen Faktorladungen und Renditen modelliert. Diese Struktur soll sowohl lineare Faktorengagements als auch Interaktionen erfassen, die Renditeanomalien erklären können.

Die Studie wendet das Modell auf 3,290 Russell-1000-Vermögenswerte von Dezember 1989 bis Januar 2018 an. Sie berichtet eine bessere Leistung als LASSO und Standard-Deep-Learning, darunter Informationsquotienten, die etwa 1.2-mal so hoch sind wie bei Deep Learning, und gibt an, dass die kompaktere Architektur die Trainingszeit verkürzt. Die Autoren berichten außerdem, dass DPLS Schwankungen und Bewertungsfehler erklärt und wichtige latente Faktoren und Merkmale identifiziert. Dies sind Ergebnisse aus der beschriebenen historischen Stichprobe; Angaben zu Transaktionskosten, zum Design außerhalb der Stichprobe oder zur Robustheit bei anderen Anlageuniversen und Zeiträumen fehlen hier.

Kernaussagen

• DPLS kombiniert projizierte kleinste Quadrate mit einem tiefen Netzwerk, um nichtlineare Zusammenhänge bei der Bewertung von Vermögenswerten zu modellieren.
• Das Modell nutzt Unternehmensmerkmale und Renditen, um einen kompakten latenten Faktorenraum zu bestimmen.
• Nichtlineare Interaktionen können neben linearen Faktorengagements zur Beschreibung von Anomalien beitragen.
• In der Russell-1000-Stichprobe übertrifft DPLS laut Bericht LASSO und einfaches Deep Learning.
• Das Dokument nennt weder den Umgang mit Transaktionskosten noch Robustheitsergebnisse außerhalb der angegebenen Stichprobe.

Schlagwörter

# Deep Partial Least Squares for Empirical Asset Pricing


# Deep Partial Least Squares for Empirical Asset Pricing









We use deep partial least squares (DPLS) to estimate an asset pricing model for individual stock returns that exploits conditioning information in a flexible and dynamic way while attributing excess returns to a small set of statistical risk factors. The novel contribution is to resolve the non-linear factor structure, thus advancing the current paradigm of deep learning in empirical asset pricing which uses linear stochastic discount factors under an assumption of Gaussian asset returns and factors. This non-linear factor structure is extracted by using projected least squares to jointly project firm characteristics and asset returns on to a subspace of latent factors and using deep learning to learn the non-linear map from the factor loadings to the asset returns. The result of capturing this non-linear risk factor structure is to characterize anomalies in asset returns by both linear risk factor exposure and interaction effects. Thus the well known ability of deep learning to capture outliers, shed lights on the role of convexity and higher order terms in the latent factor structure on the factor risk premia. On the empirical side, we implement our DPLS factor models and exhibit superior performance to LASSO and plain vanilla deep learning models. Furthermore, our network training times are significantly reduced due to the more parsimonious architecture of DPLS. Specifically, using 3290 assets in the Russell 1000 index over a period of December 1989 to January 2018, we assess our DPLS factor model and generate information ratios that are approximately 1.2x greater than deep learning. DPLS explains variation and pricing errors and identifies the most prominent latent factors and firm characteristics.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.