本期推荐一篇2024年2月发表在《管理科学MS》上的论文《资产定价中的深度学习》。在现代金融领域，资产定价模型的精确性对于投资者和市场分析师至关重要，因为它直接影响投资决策和市场策略的制定。传统的资产定价模型如法玛-法国三因素模型尽管在历史上有着广泛的应用，但在实际应用中往往因为市场的复杂多变和数据的非线性特征而显示出一定的局限性。随着人工智能技术的发展，特别是深度学习在多个领域显示出强大的数据处理和模式识别能力，将深度学习技术应用于资产定价模型，以提高模型的预测性和适应性，成为了金融研究的新趋势。
本研究旨在探讨如何通过深度学习技术改进传统的资产定价模型，使其能够更有效地处理和预测复杂的市场数据。研究问题集中在如何构建一个基于公司特征的深度学习框架，通过自动化生成长短期投资组合因素来最小化定价误差，并在此基础上预测证券的横截面回报。
研究方法方面，本文首先利用深度学习建立了一个特征因素模型，该模型采用传统的前馈神经网络架构，包括输入层、多个隐藏层以及输出层。输入层接收公司的基本特征和宏观经济指标，如股票的基本面信息和宏观经济环境变量。隐藏层的设计用于通过非线性转换提取和组合输入特征，生成深层特征。这些深层特征能够揭示股票价格与市场基本特征之间的内在联系。输出层则基于这些深层特征生成预测股票回报的长短期因素。此外，通过安全排序的激活函数引入非线性，使模型能够识别和利用输入特征中的复杂模式。在模型训练过程中，利用后向传播算法优化模型参数，以减少预测误差和实现模型的自我更新。
研究结果显示，该深度学习资产定价模型在美国股票市场的实证检验中表现出色。通过比较1975年至2017年间3000只股票的数据，深度学习模型不仅在样本内表现出较低的定价误差，而且在样本外也展现了良好的预测能力和稳健性。特别是在面对市场异常和行业投资组合时，深度因素模型能够提供更为精准的预测，从而为投资者提供更有效的投资策略建议。
总的来说，将深度学习技术应用于资产定价领域，提供了一种新的方法论视角和技术路径，为解决传统资产定价模型在处理复杂市场数据时遇到的问题提供了可能的解决方案。这不仅有助于提高资产定价的准确性和效率，也为未来金融市场的研究和实践提供了新的工具和思路。
Management Science, Feb 2024Deep Learning in Asset PricingLuyang Chen, Markus Pelger, Jason Zhu
