論文の概要: Deep Partial Least Squares for Empirical Asset Pricing
- arxiv url: http://arxiv.org/abs/2206.10014v1
- Date: Mon, 20 Jun 2022 21:30:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 08:20:16.392121
- Title: Deep Partial Least Squares for Empirical Asset Pricing
- Title(参考訳): 経験的資産価格設定のための深部部分最小方形
- Authors: Matthew F. Dixon, Nicholas G. Polson and Kemen Goicoechea
- Abstract要約: 我々は、deep partial least squares (DPLS) を用いて、個々の株式リターンに対する資産価格モデルの推定を行う。
新たな貢献は、非線形因子構造を解決し、経験的資産価格におけるディープラーニングの現在のパラダイムを前進させることである。
- 参考スコア(独自算出の注目度): 0.4511923587827302
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract(参考訳): 我々は、極大部分最小二乗(DPLS)を用いて、限られた統計リスク要因に過剰なリターンをもたらしながら、フレキシブルでダイナミックな方法で条件付け情報を活用する、個々の株式リターンに対する資産価格モデルの推定を行う。
新たな貢献は、非線形因子構造を解決し、ガウス的資産のリターンと要因を仮定した線形確率的割引係数を用いた経験的資産価格におけるディープラーニングの現在のパラダイムを推し進めることである。
この非線形因子構造は、投影された最小二乗法を用いて会社特性と資産リターンを潜在要因のサブスペースに共同で投影し、ディープラーニングを用いて、ファクタローディングから資産リターンへの非線形マップを学習することにより抽出される。
この非線形リスクファクター構造を捉えた結果は、線形リスクファクター露出と相互作用効果の両方によって資産返却の異常を特徴づけることである。
このように、ディープラーニングが異常値を取り込む能力はよく知られており、潜伏因子構造における凸性や高次項の役割が因子リスク予感に影響を与えている。
実験的な面では、DPLS因子モデルを実装し、LASSOや平易なバニラ深層学習モデルよりも優れた性能を示す。
さらに,ネットワークのトレーニング時間は,dplのアーキテクチャ向上により大幅に短縮された。
具体的には,1989年12月から2018年1月までの期間において,Russell 1000指数の3290資産を用いてDPLS因子モデルを評価し,ディープラーニングの約1.2倍の情報比を生成する。
DPLSは変動と価格の誤差を説明し、最も顕著な要因と強固な特徴を識別する。
関連論文リスト
- Provable Risk-Sensitive Distributional Reinforcement Learning with
General Function Approximation [54.61816424792866]
本稿では,リスク感性分布強化学習(RS-DisRL)と静的リプシッツリスク対策(LRM),一般関数近似について紹介する。
モデルに基づく関数近似のためのモデルベース戦略であるtextttRS-DisRL-M と、一般値関数近似のためのモデルフリーアプローチである textttRS-DisRL-V の2つの革新的なメタアルゴリズムを設計する。
論文 参考訳(メタデータ) (2024-02-28T08:43:18Z) - Layer-wise Feedback Propagation [53.00944147633484]
本稿では、ニューラルネットワークのような予測器のための新しいトレーニング手法であるLFP(Layer-wise Feedback Propagation)を提案する。
LFPは、与えられたタスクの解決に対するそれぞれの貢献に基づいて、個々のコネクションに報酬を割り当てる。
各種モデルやデータセットの勾配降下に匹敵する性能を達成できることの有効性を実証する。
論文 参考訳(メタデータ) (2023-08-23T10:48:28Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳(メタデータ) (2023-05-22T17:02:15Z) - FeDXL: Provable Federated Learning for Deep X-Risk Optimization [105.17383135458897]
我々は、既存のアルゴリズムが適用できないXリスクのファミリーを最適化するために、新しい連邦学習(FL)問題に取り組む。
Xリスクに対するFLアルゴリズムを設計する際の課題は、複数のマシンに対する目的の非可逆性と、異なるマシン間の相互依存にある。
論文 参考訳(メタデータ) (2022-10-26T00:23:36Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳(メタデータ) (2022-10-22T14:47:11Z) - Deep Learning Based Residuals in Non-linear Factor Models: Precision
Matrix Estimation of Returns with Low Signal-to-Noise Ratio [0.0]
本稿では,大規模なポートフォリオにおける資産返却の精度行列に対する一貫した推定器と収束率を紹介する。
金融市場に典型的な低信号対雑音比環境においても, 評価は引き続き有効である。
論文 参考訳(メタデータ) (2022-09-09T20:29:54Z) - The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer
Linear Networks [51.1848572349154]
ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。
我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
論文 参考訳(メタデータ) (2021-08-25T22:01:01Z) - Deep Risk Model: A Deep Learning Solution for Mining Latent Risk Factors
to Improve Covariance Matrix Estimation [8.617532047238461]
ニューラルネットワークによるリスクファクタを効果的に"設計"するためのディープラーニングソリューションを提案する。
提案手法は,R2$で測定した説明分散を1.9%以上高めることができ,また,グローバルな最小分散ポートフォリオのリスクを低減することができる。
論文 参考訳(メタデータ) (2021-07-12T05:30:50Z) - Detecting and adapting to crisis pattern with context based Deep
Reinforcement Learning [6.224519494738852]
本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。
テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
論文 参考訳(メタデータ) (2020-09-07T12:11:08Z) - The Low-volatility Anomaly and the Adaptive Multi-Factor Model [0.0]
本稿は,低ボラティリティ異常の新しい説明を提供する。
我々は,GIBSアルゴリズムによって推定される適応多要素モデルを用いて,低ボラティリティポートフォリオと高ボラティリティポートフォリオに大きく関係する基底資産を求める。
論文 参考訳(メタデータ) (2020-03-16T20:08:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。