基于 KAN 的自编码器用于因子模型

受 Kolmogorov-Arnold 网络（KAN）近期进展的启发，我们提出了一种用于潜在因子条件资产定价模型的全新方法。虽然机器学习在资产定价中的先前应用主要使用带 ReLU 激活函数的多层感知机来建模潜在因子暴露，但我们的方法引入了一种 KAN 基自编码器，在准确性和可解释性方面均超越了 MLP 模型。我们的模型在将暴露近似为资产特征的非线性函数方面提供了增强的灵活性，同时为用户提供了直观解释潜在因子的框架。实证回测证明了我们模型在解释横截面风险暴露方面的优越能力。此外，利用我们模型预测构建的多空组合实现了更高的夏普比率，突显了其在投资管理中的实际价值。