NewsNet-SDF：通过对抗网络利用预训练语言模型新闻嵌入进行随机折现因子估计
投资组合管理
2025-05-13 v1 机器学习
摘要
随机折现因子（SDF）模型为资产定价和风险评估提供了统一框架，但传统公式难以纳入非结构化文本信息。我们提出了NewsNet-SDF，一种新颖的深度学习框架，通过对抗网络将预训练语言模型嵌入与金融时间序列无缝集成。我们的多模态架构使用GTE-multilingual模型处理金融新闻，通过LSTM网络从宏观经济数据中提取时间模式，并对公司特征进行归一化，通过创新的对抗训练机制融合这些异构信息源。我们的数据集涵盖约250万篇新闻文章和10,000种独特证券，解决了处理和对齐文本数据与金融时间序列的计算挑战。在美国股票数据（1980-2022）上的实证评估表明，NewsNet-SDF显著优于替代方案，夏普比率为2.80。该模型相比CAPM提升了471%，相比传统SDF实现提升了超过200%，相比Fama-French五因子模型将定价误差降低了74%。在全面比较中，我们的深度学习方法在所有关键指标上持续优于传统、现代和其他神经资产定价模型。消融研究证实，文本嵌入对模型性能的贡献显著大于宏观经济特征，由新闻导出主成分是SDF动态中最具影响力的决定因素之一。这些结果验证了我们多模态深度学习方法在将非结构化文本与传统金融数据整合以实现更准确定价方面的有效性，为金融科技中的数字智能决策提供了新见解。
引用
@article{arxiv.2505.06864,
title = {NewsNet-SDF: Stochastic Discount Factor Estimation with Pretrained Language Model News Embeddings via Adversarial Networks},
author = {Shunyao Wang and Ming Cheng and Christina Dan Wang},
journal= {arXiv preprint arXiv:2505.06864},
year = {2025}
}