Mínimos quadrados parciais profundos para fatores de risco acionário não lineares

Resumo

O documento descreve mínimos quadrados parciais profundos (DPLS), um modelo para explicar retornos de ações individuais usando um pequeno conjunto de fatores de risco latentes e características das empresas. Os mínimos quadrados projetados mapeiam conjuntamente retornos e características para um espaço de fatores latentes, enquanto uma rede de aprendizado profundo modela relações não lineares entre as cargas fatoriais e os retornos. Essa estrutura busca capturar tanto a exposição linear a fatores quanto interações que podem ajudar a explicar anomalias de retorno.

O estudo aplica o modelo a 3,290 ativos do Russell 1000, de dezembro de 1989 a janeiro de 2018. Relata desempenho superior ao LASSO e ao aprendizado profundo padrão, incluindo índices de informação cerca de 1.2 vezes maiores que os do aprendizado profundo, e afirma que a arquitetura mais compacta reduz o tempo de treinamento. Os autores também relatam que DPLS explica variações e erros de precificação e identifica fatores latentes e características importantes. Esses resultados vêm da amostra histórica descrita; o documento não detalha aqui os custos de transação, o desenho fora da amostra nem a robustez dos resultados em outros universos e períodos.

Ideias principais

• DPLS combina mínimos quadrados projetados com uma rede profunda para modelar relações não lineares de precificação de ativos.
• O modelo usa características das empresas e retornos para identificar um espaço compacto de fatores latentes.
• Interações não lineares podem ajudar a descrever anomalias junto com exposições lineares a fatores.
• Na amostra do Russell 1000, DPLS supostamente supera LASSO e o aprendizado profundo convencional.
• O documento não especifica o tratamento dos custos de transação nem a robustez além da amostra indicada.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.