論文の概要: Factor Investing with a Deep Multi-Factor Model

• arxiv url: http://arxiv.org/abs/2210.12462v1
• Date: Sat, 22 Oct 2022 14:47:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 22:02:30.874202
• Title: Factor Investing with a Deep Multi-Factor Model
• Title（参考訳）: 深層多要素モデルによる因子投資
• Authors: Zikai Wei, Bo Dai, Dahua Lin
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 123.52358449455231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling and characterizing multiple factors is perhaps the most important step in achieving excess returns over market benchmarks. Both academia and industry are striving to find new factors that have good explanatory power for future stock returns and good stability of their predictive power. In practice, factor investing is still largely based on linear multi-factor models, although many deep learning methods show promising results compared to traditional methods in stock trend prediction and portfolio risk management. However, the existing non-linear methods have two drawbacks: 1) there is a lack of interpretation of the newly discovered factors, 2) the financial insights behind the mining process are unclear, making practitioners reluctant to apply the existing methods to factor investing. To address these two shortcomings, we develop a novel deep multi-factor model that adopts industry neutralization and market neutralization modules with clear financial insights, which help us easily build a dynamic and multi-relational stock graph in a hierarchical structure to learn the graph representation of stock relationships at different levels, e.g., industry level and universal level. Subsequently, graph attention modules are adopted to estimate a series of deep factors that maximize the cumulative factor returns. And a factor-attention module is developed to approximately compose the estimated deep factors from the input factors, as a way to interpret the deep factors explicitly. Extensive experiments on real-world stock market data demonstrate the effectiveness of our deep multi-factor model in the task of factor investing.
• Abstract（参考訳）: 複数の要因のモデリングと特徴付けは、おそらく市場のベンチマークよりも過剰なリターンを達成するための最も重要なステップである。 学界と業界の両方が、将来の株価リターンのための説明力と予測力の安定性に優れた新しい要因を見つけようとしている。 実際には、ファクタ投資は主に線形多要素モデルに基づいているが、多くのディープラーニング手法は、株価トレンド予測やポートフォリオリスク管理の従来の方法と比較して有望な結果を示している。 しかし、既存の非線形手法には2つの欠点がある。 1)新たに発見された要因の解釈の欠如 2) 鉱業プロセスの背景にある財務状況は不透明であり, 既存手法を投資要因に応用することを嫌がらせている。 これら2つの欠点に対処するために,我々は,産業中性化と市場中立化モジュールを明確な金融洞察で採用する,新たな深層多要素モデルを開発し,階層構造における動的かつ多元的ストックグラフの構築を容易にし,産業レベルや普遍レベルなど,さまざまなレベルでのストック関係のグラフ表現を学ぶ。 その後、グラフ注意モジュールを用いて累積係数の戻りを最大化する一連の深い因子を推定する。 また,入力因子から推定された深部因子を大まかに構成し,深部因子を明示的に解釈するファクターアテンションモジュールを開発した。 実世界の株式市場データに関する広範な実験は、因子投資のタスクにおける深い多要素モデルの有効性を示しています。

関連論文リスト

• FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning for Stock Returns Prediction [16.70420232738428]
  時間的残留的コントラスト学習(FactorGCL)を用いたハイパーグラフに基づく因子モデルを提案する。 ストックリターンを予測するために, 人為的に設計された先行要因を補う隠蔽因子を抽出するために, カスケード残差ハイパーグラフアーキテクチャを設計する。 実株市場データに関する我々の実験は、FacterGCLが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-02-05T12:37:15Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
  本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。 実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-25T10:27:07Z)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [51.3422222472898]
  ニュース見出しを用いて,ChatGPTのような大規模言語モデル(LLM)の株価変動を予測する能力について述べる。 我々は,情報容量制約,過小反応,制限対アビタージュ,LLMを組み込んだ理論モデルを構築した。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)
• Quantitative Stock Investment by Routing Uncertainty-Aware Trading Experts: A Multi-Task Learning Approach [29.706515133374193]
  既存のディープラーニング手法はランダムなシードやネットワークルータに敏感であることを示す。 本稿では,成功した取引会社の効果的なボトムアップトレーディング戦略設計ワークフローを模倣する,量的投資のための新しい2段階混成(MoE)フレームワークを提案する。 AlphaMixは4つの財務基準において、最先端のベースラインを大きく上回っている。
  論文  参考訳（メタデータ） (2022-06-07T08:58:00Z)
• 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)
• Deep Portfolio Optimization via Distributional Prediction of Residual Factors [3.9189409002585562]
  そこで本稿では,残余要因と呼ばれる金融量分布の予測に基づくポートフォリオ構築手法を提案する。 本手法が米国および日本の株式市場データに有効であることを実証する。
  論文  参考訳（メタデータ） (2020-12-14T04:09:52Z)
• Neural Network-based Automatic Factor Construction [58.96870869237197]
  本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
  論文  参考訳（メタデータ） (2020-08-14T07:44:49Z)
• Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
  深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。 具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。 蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
  論文  参考訳（メタデータ） (2020-03-06T06:28:17Z)

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。