基于深度学习的资本资产定价研究.pdfVIP

摘 要 自1965 年CAPM 模型问世，发展到如今著名的q5 模型，Fama-French 六因 子模型，大量的公司特征和因子不断被挖掘，模型的异象解释能力也不断增强， 多因子定价模型始终在资产定价理论中保持着非常高的活力和生机。但是传统资 本资产定价模型都离不开线性的假设，即收益与因子线性相关，该假设与金融市 场存在众多噪声和现实世界的复杂性事实不相符合。随着大数据时代的到来，线 性模型更难从大量的数据中提取有用的信息，所以随着时间的发展线性因子模型 注定会越来越不能满足研究的需求。近年来，机器学习尤其是以神经网络为主的 深度学习方法通过非线性的激活函数和目标最小化原则，可以拟合一切复杂的非 线性关系。正如Cochrane （2011 ）强调的那样，应当应用不同的工具对市场进行 研究，并且国内运行深度学习方法在这方面进行系统性的研究还处于初级阶段， 本文便是结合深度学习的超强关系刻画能力和多因子定价理论对 A 股市场进行 了非线性的公司特征与股票预期收益的研究。 本文对已有文献中的452 个异象进行筛选，基于 1997 年 1 月 1 日至2019 年12 月31 日的A 股数据，得到73 个有效的公司特征，基于该特征，本文首先 考察了 A 股市场的公司特征所隐含的股票预期收益之间的非线性性；其次对公 司特征进行信息提取，构造出基于深度特征的深度定价因子，来对股票横截面预 期收益进行研究；最后考虑公司特征变化下影响以检验和增强本文的结论。基于 一系列研究和实证，本文得出以下结论： 公司特征隐含的股票预期收益信息研究对资产定价风险因子选择和最优投 资组合管理具有重要价值。使用深度学习方法，应用73 个公司特征来预测股票 收益，并根据收益预测结果构建投资组合，通过投资组合的表现来研究公司特征 隐含的股票预期收益信息。结果显示：基于深度学习的投资组合能够获得显著的 风险调整后的超额收益。长短期记忆神经网络构建的投资组合超额收益最大，前 馈神经网络的次之，线性模型的最小。少数交易摩擦类、价值成长类和动量类的 公司特征隐含了股票预期收益的绝大部分信息。公司特征与股票预期收益之间的 非线性关系，公司特征之间的交互作用和公司特征的动态变化趋势隐含了不可忽 略的股票预期收益信息。 基于深度学习的深度因子模型无论是在模型的统计表现，异象解释上以及根 据模型的投资组合的表现上都远远好于基准的三因子模型。首先，在定价误差表 现上，加入深度因字的定价模型的定价误差在数量级上远小于三因子模型的定价 误差，总体上看，基于三因子模型的定价误差几乎是深度因子模型的定价误差的 2 3 10 至 10 倍；其次，从异象解释上看，三因子模型能解释的双变量和单变量异 象个数为29 和33 个，在加入深度因子时，模型的最多能解释得异象提升到71 1 个和72 个，解释了几乎所有的异象；最后，从基于模型的投资组合的年化夏普 比率上看，相对于基准的三因子模型的夏普比率，深度因子投资组合的夏普比率 的都有显著的提升，提升比例从 130%至 471%不等。考虑特征在时间上动态变 化的影响的 LSTM 模型虽然在总体表现上比普通的神经网络模型有所提升，但 结果并不明显，从而也说明深度因子定价模型已经能稳健的捕捉到市场的信息对 股票收益率的影响模式。 关键词：公司特征；股票预期收益；深度学习；深度因子；LSTM 2 目 录 1. 绪论 1 1.1 选题背景和意义 1 1.1.1 选题背景 1 1.1.2 选题实践意义和学术意义2 1.1.2.1 实践意义2 1.1.2.2 学术意义3 1.2 文献综述4 1.2.1 传统资本资产定价研究4 1.2.2 机器学习与资本资产定价研究 5 1.2.3 深度学习与资本资产定价研究 6 1.2.4 文献总体评述 8