资产定价中的多层感知器神经网络模型：一项基于美国大盘股的实证研究
证券定价
2025-05-07 v2 计算金融
风险管理
摘要
本研究将具有动态结构的多层感知器（MLP）模型应用于资产定价任务中的因子模型。具体而言，采用MLP金字塔模型结构对基于公司特征排序的投资组合因子进行建模，以研究美国大盘股。基于预测结果，进一步将其发展为一种可操作的因子投资策略。本章的主要发现从模型性能和投资表现两个角度进行评估，并比较了有无COVID-19影响的时期。实证结果表明，在数据规模的限制下，MLP模型不再表现出“越深越好”的特性，而本文提出的具有两个和三个隐藏层的MLP模型在此情况下对因子建模具有更高的灵活性。本研究也验证了先前工作的观点，即用于因子投资的MLP模型在下行风险控制方面比追求绝对年化收益更有意义。
引用
@article{arxiv.2505.01921,
title = {Multilayer Perceptron Neural Network Models in Asset Pricing: An Empirical Study on Large-Cap US Stocks},
author = {Shanyan Lai},
journal= {arXiv preprint arXiv:2505.01921},
year = {2025}
}