Mínimos cuadrados parciales profundos para factores de riesgo bursátil

Resumen

El documento describe mínimos cuadrados parciales profundos (DPLS), un modelo para explicar los rendimientos de acciones individuales mediante un conjunto reducido de factores de riesgo latentes y características de las empresas. Los mínimos cuadrados proyectados sitúan conjuntamente los rendimientos y las características en un espacio de factores latentes, mientras que una red de aprendizaje profundo modela las relaciones no lineales entre las cargas factoriales y los rendimientos. Esta estructura pretende captar tanto la exposición lineal a los factores como las interacciones que podrían ayudar a explicar las anomalías de rentabilidad.

El estudio aplica el modelo a 3,290 activos del Russell 1000, desde diciembre de 1989 hasta enero de 2018. Informa de un rendimiento superior al de LASSO y al del aprendizaje profundo estándar, con ratios de información aproximadamente 1.2 veces mayores que los del aprendizaje profundo, y señala que la arquitectura más compacta reduce el tiempo de entrenamiento. Los autores también afirman que DPLS explica la variación y los errores de valoración, e identifica factores latentes y características destacados. Estos resultados corresponden a la muestra histórica descrita; aquí el documento no detalla los costes de transacción, el diseño fuera de muestra ni la solidez de los resultados en otros universos y periodos.

Ideas clave

• DPLS combina mínimos cuadrados proyectados con una red profunda para modelar relaciones no lineales de valoración de activos.
• El modelo usa características de las empresas y rendimientos para identificar un espacio compacto de factores latentes.
• Las interacciones no lineales podrían ayudar a describir anomalías junto con las exposiciones lineales a factores.
• En la muestra del Russell 1000, según se informa, DPLS supera a LASSO y al aprendizaje profundo básico.
• El documento no especifica cómo trata los costes de transacción ni la solidez de los resultados fuera de la muestra indicada.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.