用于预测资产收益的深度学习
机器学习
2018-04-27 v2 机器学习
计量经济学
摘要
深度学习寻找用于预测资产收益的非线性因子。可预测性通过多层复合因子而非加性因子实现。以此视角，资产定价研究可利用多层深度学习器重新审视，例如用于时间序列效应的修正线性单元（ReLU）或长短期记忆（LSTM）。包括随机梯度下降（SGD）、TensorFlow 与 dropout 设计在内的前沿算法提供了实现与高效的因子探索。为说明我们的方法，我们重新审视 Welch 与 Goyal（2008）的股权市场风险溢价数据集。我们发现存在解释收益可预测性的非线性因子，尤其在特征空间的极端区域。最后，我们给出未来研究方向。
引用
@article{arxiv.1804.09314,
title = {Deep Learning for Predicting Asset Returns},
author = {Guanhao Feng and Jingyu He and Nicholas G. Polson},
journal= {arXiv preprint arXiv:1804.09314},
year = {2018}
}