Глубокий частичный метод наименьших квадратов для факторов риска акций

Сводка

В документе описан глубокий частичный метод наименьших квадратов (DPLS) — модель для объяснения доходности отдельных акций с помощью небольшого набора латентных факторов риска и характеристик компаний. Проекционный метод наименьших квадратов совместно отображает доходности и характеристики в пространство латентных факторов, а сеть глубокого обучения моделирует нелинейные связи между факторными нагрузками и доходностями. Такая структура предназначена для охвата как линейной подверженности факторам, так и взаимодействий, которые могут помочь объяснить аномалии доходности.

В исследовании модель применяется к 3,290 активам Russell 1000 за период с декабря 1989 по январь 2018. Сообщается, что она превосходит LASSO и стандартное глубокое обучение; в частности, информационные коэффициенты примерно в 1.2 раза выше, чем у глубокого обучения. Также отмечается, что более компактная архитектура сокращает время обучения. Авторы сообщают, что DPLS объясняет вариацию и ошибки оценки, а также выявляет значимые латентные факторы и характеристики. Это результаты описанной исторической выборки; здесь не приводятся сведения о транзакционных издержках, построении вневыборочного теста или устойчивости результатов на других наборах активов и временных периодах.

Ключевые идеи

• DPLS сочетает проекционный метод наименьших квадратов с глубокой сетью для моделирования нелинейных связей в ценообразовании активов.
• Модель использует характеристики компаний и доходности для выявления компактного пространства латентных факторов.
• Нелинейные взаимодействия могут дополнять линейную подверженность факторам при описании аномалий.
• В выборке Russell 1000, как сообщается, DPLS превосходит LASSO и обычное глубокое обучение.
• В документе не указано, как учитываются транзакционные издержки и насколько результаты устойчивы за пределами описанной выборки.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.