Moindres carrés partiels profonds pour les facteurs non linéaires de risque des actions | Stratmill

Résumé

Le document décrit les moindres carrés partiels profonds (DPLS), un modèle visant à expliquer les rendements individuels des actions à l’aide d’un petit ensemble de facteurs de risque latents et de caractéristiques des entreprises. Les moindres carrés projetés cartographient conjointement les rendements et les caractéristiques dans un espace de facteurs latents, tandis qu’un réseau d’apprentissage profond modélise les relations non linéaires entre les expositions aux facteurs et les rendements. Cette structure vise à saisir à la fois l’exposition linéaire aux facteurs et les interactions susceptibles d’expliquer les anomalies de rendement.

L’étude applique le modèle à 3,290 actifs du Russell 1000, de décembre 1989 à janvier 2018. Elle rapporte de meilleures performances que LASSO et que l’apprentissage profond standard, notamment des ratios d’information environ 1.2 fois supérieurs à ceux de l’apprentissage profond, et indique que l’architecture plus compacte réduit le temps d’entraînement. Les auteurs indiquent également que DPLS explique la variation et les erreurs de valorisation, et identifie les principaux facteurs latents et caractéristiques. Il s’agit de résultats issus de l’échantillon historique décrit ; le document ne fournit ici aucun détail sur les coûts de transaction, le dispositif hors échantillon ou la robustesse des résultats dans d’autres univers et périodes.

Idées clés

• DPLS combine les moindres carrés projetés et un réseau profond pour modéliser les relations non linéaires de valorisation des actifs.
• Le modèle utilise les caractéristiques des entreprises et les rendements pour déterminer un espace compact de facteurs latents.
• Les interactions non linéaires pourraient contribuer à décrire les anomalies aux côtés des expositions linéaires aux facteurs.
• Dans l’échantillon Russell 1000, DPLS surpasserait LASSO et l’apprentissage profond standard.
• Le document ne précise pas le traitement des coûts de transaction ni la robustesse au-delà de l’échantillon indiqué.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.