Semiparametric Conditional Factor Models in Asset Pricing
提出一种估计半参数条件潜在因子模型的方法,通过提取主成分构建因子,发现个股收益存在显著非零定价误差,结合因子与正交组合可获得超4的样本外Sharpe ratios。
2025-04-28 econ.EM math.ST stat.TH
Panel Coupled Matrix-Tensor Clustering Model with Applications to Asset Pricing
City University of Hong Kong(香港城市大学);University of Notre Dame(圣母大学)
PMTC模型通过整合特征张量和回报矩阵,提升资产分组和因子负载估计的准确性与实用性。
2025-12-29 econ.EM stat.ME
The Uncertainty of Machine Learning Predictions in Asset Pricing
本文针对资产定价中机器学习点估计忽略不确定性的问题,开发了为神经网络预期收益预测构建置信区间的新方法,证明其渐近分布并给出标准误闭式表达式,通过引入厌恶不确定性的投资框架提供了经济学依据,且实证表明该方法提升了样本外表现。
2025-03-01 econ.EM stat.ML
Deep Partial Least Squares for Empirical Asset Pricing
Illinois Institute of Technology(伊利诺伊理工学院);University of Chicago(芝加哥大学)
我们使用深度偏最小二乘(DPLS)估计的资产定价模型的个股回报,利用条件信息在一个灵活的和动态的方式,同时归因于超额收益率的一小部分统计风险因素。新的贡献是解决非线性因子结构,从而推进了经验资产定价中深度学习的当前范式,该范式在高斯资产收益和因子的假设下使用线性随机贴现因子。这种非线性因素结构是通过使用投影最小二乘法将公司特征和资产回报联合投影到潜在因素的子空间上,并使用深度学习来学习从因素负载到资产回报的非线性映射来提取的。捕捉这种非线性风险因素结构的结果是通过线性风险因素暴露和相互作用效应来表征资产回报的异常。因此,众所周知的深度学习捕捉离群值的能力,揭示了潜在因子结构中凸性和高阶项对因子风险溢价的作用。在实证方面,我们实现了我们的DPLS因子模型,并表现出优于LASSO和普通深度学习模型的性能。此外,我们的网络训练时间显着减少,由于更简约的架构DPLS。具体来说,使用1989年12月至2018年1月期间罗素1000指数中的3290个资产,我们评估了我们的DPLS因子模型,并生成了比深度学习高出约1.2倍的信息比率。DPLS解释变异和定价错误,并确定最突出的潜在因素和企业特征。
2022-06-20 cs.LG q-fin.PM q-fin.PR
High-Dimensional Estimation, Basis Assets, and the Adaptive Multi-Factor Model
针对高维金融数据,提出了一种新的算法--分组可解释基选择算法(Groupwise Interpretable Basis Selection,GIBS),以估计新的适应性多因子(Adaptive Multi-Factor,AMF)资产定价模型。我们首先获得基础资产的自适应集合,然后使用高维方法同时测试哪些基础资产对应于哪些证券。AMF模型,随着GIBS算法,被证明有一个显着更好的拟合和预测能力比法玛-法国5-因子模型。
2021-12-10 q-fin.ST stat.ML
Information-Based Asset Pricing
引入了一个新的资产价格动态框架,其中噪声信息的概念,未来的现金流是用来推导的价格过程。在这一框架中,资产由其现金流结构来定义。每个现金流都是由一个随机变量建模的,这个随机变量可以表示为一组独立随机变量的函数,称为市场因素。每一个这样的“X因素”,我们关联的市场信息过程,其价值是市场代理人访问。每一个信息过程都是两项的总和;一项包含关于市场因素价值的真实信息;另一项代表“噪音”。噪声项由独立的布朗桥建模。市场过滤被认为是由独立的信息过程的聚合所产生的。资产的价格由风险中性测度中贴现现金流的预期给出,条件是市场过滤提供的信息。当现金流是与股票相关的股息支付时,得到了股票价格的显式模型,并推导出了支付股息资产的期权价格。值得注意的是,欧式看涨期权的价格公式是布莱克-斯科尔斯-默顿型的。信息为基础的框架也产生了一个自然的解释的起源随机波动率。
2007-04-16 math.PR math.ST q-fin.PR
Residual Learning in Empirical Asset Pricing
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州))
本研究提出将残差学习应用于经验资产定价,通过加深神经网络模型提升经济价值,实证表明深度残差模型样本外夏普比率显著优于浅层和前馈模型。
2026-10-08 cs.LG q-fin.ST
From Factor Models to Deep Learning: Machine Learning in Reshaping Empirical Asset Pricing
本文综述机器学习在资产定价中的应用,分析传统模型局限,介绍各类ML框架及与传统模型结合的优势,探讨应用挑战,为量化金融发展提供新思路。
2024-03-11 q-fin.ST
Dynamic Asset Pricing Theory for Life Contingent Risks
本文在无套利完备市场框架下,利用资产定价基本定理推导生命或有资产(人寿保险与年金)的估值公式,并阐明动态经济中静态投资组合的适用条件。
2025-03-27 math.PR q-fin.MF q-fin.PR
Entropy-Based Financial Asset Pricing
我们研究熵作为金融风险的措施。与资本资产定价模型的贝塔参数相比,熵以更简单的方式解释了证券和投资组合的权益溢价,同时具有更高的解释力。对于资产定价,我们定义连续熵作为风险的替代度量。我们的研究结果表明,熵减少的证券数量的功能,在一个投资组合中的标准差类似的方式,有效的投资组合位于双曲线的预期收益率熵系统。在实证研究中,我们使用了150只随机选择的证券的27年的每日收益率。我们的回归结果表明,熵比资本资产定价模型beta对预期收益率有更高的解释力。此外,我们显示的时间变化的行为的beta随着熵。
2015-01-06 q-fin.PR q-fin.ST
A six-factor asset pricing model
本研究将人力资本因素引入Fama和French的五因子模型提出了一个均衡的六因素资产定价模型。该研究采用了四组投资组合的集合,这些投资组合模仿了不同规模和行业。第一组由三组六个投资组合组成,每个投资组合按规模到B/M、规模到投资和规模到动量排序。第二组包括五个指数投资组合,第三组是四组,每组25个投资组合,每个投资组合按规模到B/M、规模到投资、规模到盈利能力、规模到动量进行排序,最后一组由30个行业投资组合组成。为了估计四组不同投资组合的六因素资产定价模型的参数,我们使用OLS和基于广义矩方法的稳健工具变量技术(IVGMM)。从相关性、内隐性、过度识别限制和Hausman规范检验中获得的结果表明,使用IVGMM的六因子模型因子模型的参数估计是稳健的,并且优于OLS方法。在解释投资组合回报率变化方面,人力资本成分与框架中的因素具有同等的预测能力。此外,我们评估的t-比率的人力资本组成部分的每个IVGMM估计的六因素资产定价模型的四组变量组合。83个IVGMM估计的人力资本的t比大于3.00,参考Harvey et al.(2016)提出的标准。这表明六因素资产定价模型在解释资产回报变化方面取得了实证成功。
2018-09-21 q-fin.ST
Empirical asset pricing with nonlinear risk premia
在本文中,我们介绍了一个简单的连续时间资产定价框架,一般多维扩散过程的基础上,结合半解析定价与非线性规格的市场价格的风险。我们的框架保证了弱解的非线性SDES的物理措施下的存在性,从而允许工作与非线性模型的现实世界中的动态文献中没有考虑到目前为止。它出现的额外的灵活性,在时间序列建模是计量经济学相关的:一个非线性随机波动率扩散模型的联合时间序列的标准普尔100指数和VXO隐含波动率指数数据显示出优越的预测能力超过标准规格的隐含和实现的方差预测。
2009-11-04 q-fin.PR q-fin.ST
An Empirical Study of Capital Asset Pricing Model based on Chinese A-share Trading Data
本文基于2000-2019年中国A股数据实证检验CAPM与Fama-French三因子模型,发现后者解释力更强,并通过剔除低市值股票修正壳价值污染,验证了模型在中国市场的适用性。
2023-04-01 q-fin.ST
Asset Pricing and Deep Learning
SenseTime Research(商汤科技研究院)
传统的机器学习方法在金融创新中得到了广泛的研究。我的研究重点是深度学习方法在资产定价中的应用。我研究了各种用于资产定价的深度学习方法,特别是用于风险溢价测量的方法。所有模型都采用相同的预测信号(公司特征、系统风险和宏观经济)。我展示了各种最先进的(SOTA)深度学习方法的高性能,并指出具有记忆机制和注意力的RNN在预测性方面具有最佳性能。此外,我使用深度学习预测向投资者展示了巨大的经济收益。我的对比实验结果突出了领域知识和金融理论在设计深度学习模型时的重要性。我还展示了返回预测任务给深度学习带来了新的挑战。时变分布引起的分布漂移问题是金融时间序列预测的关键。我证明了深度学习方法可以改善资产风险溢价的测量。由于深度学习研究的蓬勃发展,他们可以不断推动对资产定价背后潜在金融机制的研究。本文还提出了一种很有前途的研究方法,即从数据中学习,通过可解释的人工智能(AI)方法来找出潜在的经济机制。我的研究结果不仅证明了深度学习在蓬勃发展的金融科技发展中的价值,而且还强调了它们相对于传统机器学习方法的前景和优势。
2022-09-24 cs.LG q-fin.PR q-fin.ST
Equity2Vec: End-to-end Deep Learning Framework for Cross-sectional Asset Pricing
William & Mary(威廉玛丽学院);Purdue University(普渡大学);University of Bath(巴斯大学);The Alan Turing Institute(阿兰·图灵研究所);University of Oxford(牛津大学)
资产定价引起了金融科技界的极大关注。我们观察到,现有的解决方案忽略了横截面的影响,并没有充分利用异构数据集,导致次优性能。为此,我们提出了一个端到端的深度学习框架来为资产定价。我们的框架具有两个主要属性:1)我们提出了Equity2Vec,一个基于图的组件,有效地捕捉长期和不断变化的横截面相互作用。2)该框架同时利用了所有可用的异构alpha源,包括技术指标,金融新闻信号和横截面信号。在真实股票市场数据集上的实验结果表明,该方法优于现有的最先进的方法。此外,市场交易模拟表明,我们的框架货币化的信号有效。
2021-10-27 cs.LG q-fin.ST
Non-parametric and semi-parametric asset pricing
我们发现,CAPM未能解释小公司的影响,即使其非参数形式使用,允许时变风险和非线性的定价函数。此外,CAPM的线性可以被拒绝,因此广泛使用的风险和业绩指标,贝塔和阿尔法,是有偏见的和不一致的。我们推导出半参数的措施,在极端的市场条件下,在一个单一的因素设置是非常数的,另一方面,他们是不显着不同的Fama-French三因子模型的线性估计。如果将Fama-French因子扩展到单因子模型,则简单线性模型能够正确解释美国股票收益率。
2017-03-28 q-fin.PR q-fin.ST
Housing risk and return: Evidence from a housing asset-pricing model
本文研究了住宅资产定价确定中的风险收益关系。在此过程中,本文评估了Case和Shiller(1988,2002,2009)在研究繁荣和繁荣后的住房市场时提出的行为假设。本文提出并检验了一个多因素住房资产定价模型。在该模型中,我们评估了市场因素以及其他风险指标(包括特质风险、动量和MSA规模效应)是否对大都市特定住房回报具有解释力。此外,我们还测试了资产定价结果对房价文献中常见的社会经济变量(包括就业、负担能力和止赎发生率的变化)的控制的稳健性。我们发现一个相当大的和统计上显着的市场因素对MSA房价回报的影响。此外,我们还发现,市场贝塔系数随着时间的推移而变化很大。此外,结果在很大程度上是稳健的,包括其他解释变量,包括风险和其他住房市场基本面的标准措施。使用Fama-MacBeth框架对模型有效性进行的其他测试进一步有力地支持了住房的积极风险和回报关系。我们的研究结果是支持的应用程序的住房投资风险回报框架的变化在大都市区横截面和时间序列的美国房价回报的解释。此外,研究结果有力地证实了Case-Shiller的调查研究,表明投机力量在决定美国住房回报方面的重要性。
2011-03-30 q-fin.PM q-fin.PR q-fin.ST
Risk-return relationship: An empirical study of different statistical methods for estimating the Capital Asset Pricing Models (CAPM) and the Fama-French model for large cap stocks
资本资产定价模型(CAPM)是解释金融市场风险收益关系的最早模型之一。然而,在实际应用中,资本资产定价模型也表现出了许多不足之处。许多研究在改进模型性能的同时,一方面尝试应用不同的统计方法对模型进行估计,另一方面在模型中加入更多的预测因子。本文首先对CAPM进行了回顾,比较了常用的统计方法,然后比较了CAPM和Fama-French模型的预测能力,Fama-French模型是CAPM的重要扩展。通过对大盘股数据集的实证研究,我们已经证明,没有统计方法可以恢复CAPM的系统风险(以beta表示)和收益之间的预期关系,并且Fama-French模型对个股的预测性能并不比CAPM更好。因此,本文提供了更多的证据来支持资本资产定价模型的错误性和法玛-弗伦奇模型在解释风险收益关系时的局限性。
2015-11-23 q-fin.ST
Data-Driven Option Pricing using Single and Multi-Asset Supervised Learning
我们提出了三种不同的数据驱动的方法来定价欧式看涨期权使用监督机器学习算法。这些方法产生的模型给出了一系列的公平价格,而不是单一的价格点。两个股票市场指数:NIFTY $50$和BANKNIFTY从印度股市的模型的性能进行测试。虽然没有使用历史波动率或隐含波动率作为输入,但结果表明,训练后的模型能够更好地捕捉期权定价机制,或类似于Black-Scholes公式的所有实验。我们选择的无标度I/O允许我们使用来自金融市场的多个不同资产的组合数据来训练模型。这不仅使模型能够实现更好的泛化和预测能力,而且还解决了数据缺乏的问题,这是使用机器学习技术的主要限制。我们还说明了训练模型在2020年股票市场崩盘之前(2019年1月至2020年4月)的表现。
2020-12-05 q-fin.CP q-fin.PR q-fin.ST
Agentic Empirical Asset Pricing: Methodological Foundations
Stanford University(斯坦福大学);Nanjing University(南京大学);Hasso Plattner Institute(哈索·普拉特纳研究所)
该研究提出智能体实证资产定价(AEAP)范式,明确其核心构建模块,构建因子发现的参考架构与评估标准,通过SEADS实验发现单一指标无法稳定评估系统,还揭示了AEAP系统的评估陷阱。
2026-09-02 cs.AI cs.LG q-fin.ST
Comparing Asset Pricing Models: Distance-based Metrics and Bayesian Interpretations
鉴于统计检验的功效问题以及基于alpha的统计数据在比较模型时的不规范使用,本文提出了一套统一的基于距离的性能指标,其推导公式为alpha平方和标准误差平方之和的平方根。贝叶斯投资者将模型性能视为他对模型的教条信念(模型隐含分布)和完全怀疑(基于数据的分布)之间的最短距离,并倾向于产生低分散的阿尔法模型,具有高解释力。在这种观点下,动量因子是对Fama和French(2015)的五因子模型的重要补充,减轻了他之前对模型每年错误定价-8%至8%的担忧。距离度量用诊断工具补充频率主义p值,以防止坏模型。
2018-03-04 q-fin.PM q-fin.ST
A new structural stochastic volatility model of asset pricing and its stylized facts
University of Southampton(南安普顿大学)
本文提出一种基于主体模型的新型资产定价模型,通过模拟主体间的随机互动,揭示价格形成机制,并首次应用参数Bootstrap方法,以复制金融数据的多种风格化特征。
2016-04-29 econ.GN q-fin.EC q-fin.ST
Capital Asset Pricing Model with Size Factor and Normalizing by Volatility Index
University of Nevada, Reno(内华达大学里诺分校)
本文在CAPM中引入规模效应,并用波动率指数归一化收益率,构建包含波动率、相对规模和CAPM的离散时间模型,通过实际数据拟合证明长期稳定性,并与随机投资组合理论关联。
2026-06-11 math.PR q-fin.MF q-fin.ST