conceptasset-pricingSDFGANLSTMno-arbitragetest-assetsdeep-learning

深度学习资产定价 (Deep Learning in Asset Pricing)

一句话定义：把无套利矩条件写进神经网络的训练目标，让网络从个股收益率反推随机贴现因子 (stochastic discount factor, SDF)，并用生成对抗网络数据驱动地构造"最难被定价的组合"作为检验资产。 来源：Chen, Pelger & Zhu (2021), arXiv:1904.00745。

⚠️ 这一页讲的是资产定价模型，不是组合构建。论文的主输出是 SDF 权重 \omega 与风险暴露 \beta；组合（条件均值-方差有效组合）只是副产品。

它是什么

无套利理论说：预期收益的差异来自资产对 SDF 的暴露不同。实证任务就是估出一个 SDF，使它能解释所有资产的收益。

论文的出发点是一个反差：Fama-French 五因子模型的横截面 R^2 只有 8.7%，而机器学习预测模型（Gu-Kelly-Xiu 2020）虽然能拟合得更好，却不是资产定价模型——它预测的是条件均值，不满足定价方程。

深度学习资产定价的做法：把无套利矩条件当作损失函数来训练神经网络。基础方程是

E_t\!\left[R^{e}_{t+1,i}\,M_{t+1}\right]=0,\qquad M_{t+1}=\frac{1}{\omega^\top F_{t+1}},\quad F_{t+1}=\omega^\top R^e_{t+1}

SDF 权重 \omega_t 与风险暴露 \beta_{t,i} 都是信息集的一般函数。条件矩条件意味着无穷多个矩条件——问题变成：从无穷多个矩条件里挑出信息量最大的那些。

三个网络，回答三个问题

论文把资产定价拆成三个问题，每个问题交给一类网络：

问题 网络 做什么
SDF 的函数形式是什么 前馈网络 (FFN) 估 \omega(I_t, I_{t,i}) 与 \beta(I_t, I_{t,i})，允许完全非参数、捕捉交互
该用哪些检验资产 生成对抗网络 (GAN) 条件网络 g 找"当前 SDF 定价误差最大"的组合与时点
经济状态是什么 LSTM 从大量宏观时间序列提取少数几个隐状态 h_t

对抗目标是一个 min-max 博弈：资产定价建模者选 SDF，对抗者选条件函数 g（即"在哪些组合、哪些时点检验"）。Hansen-Jagannathan (1997) 的结果是这一做法的经济学依据——最小化最坏情况下的定价误差，等价于在最小二乘距离上最接近可接受的真 SDF。

训练三步：① SDF 网络最小化无条件损失；② 条件网络固定 SDF，最大化损失；③ 固定条件网络，更新 SDF 网络最小化条件损失。论文发现三轮即收敛，重复对抗博弈不再改善——这是与传统 GAN 训练不同的地方。

方法论上的第二条主线：论文强调避免直接估计条件均值。在无套利一因子表述下，暴露 \beta 正比于二阶矩 \mathrm{Cov}_t(R^e_{t+1,i}, F_{t+1}) 而不是一阶矩；估计二阶矩（条件协动）比估计一阶矩（条件均值）噪声小得多。

为什么"检验资产"是核心

论文的实证例子最有说服力：用规模、账面市值比、投资三个特征做玩具实验。

  • UNC（SVI）：g 取常数（无条件矩条件），SDF 权重用规模+价值+投资。它在解释小盘价值股上失败。
  • GAN（SVI-SVI）：g 是非平凡函数，同样用三个特征。它几乎完美地解释了全部 35 个分位组合。

差别只在检验资产。论文进一步用热图展示对抗网络发现的 g 的形状：GAN（SVI-SVI）学出的检验资产就是"小盘保守价值股 vs 大盘激进成长股"的多空组合——数据驱动地发现了 Fama-French 式检验资产的结构。

主结果：在对抗网络构造的最优检验资产上校准的模型，Sharpe 比在个股收益上校准的高 20%。

宏观变量也进入 g——论文允许 SDF 网络与条件网络各自用不同的隐状态，因为"无条件矩条件依赖的经济状态"和"SDF 权重依赖的状态"未必相同。

三个关键发现

1. 经济约束比模型灵活度更重要

"厨房水槽"式深度学习预测（FFN，Gu-Kelly-Xiu 2020 最优模型）打不过带无套利约束的线性模型（弹性网版 EN）。论文的结论是金融领域的机器学习成功需要领域知识 + 前沿技术实现两者兼备。

有意思的是：EN 与 FFN 的最优超参配置都选择不放入宏观变量——加进去反而更差。

2. 资产定价其实相当"线性"，但交互项是非线性的

单独看一个特征，SDF 对它近似线性——这解释了线性模型为什么在单排序组合上一直好用。但多个特征的交互是强非线性的：把规模、账面市值比、短期反转三维地放在一起，SDF 权重曲面明显非线性。可加结构的非线性模型（加性样条、核函数）同样抓不到。

3. 宏观经济变量必须用完整动态，不能只用最后一个增量

这是最反直觉、也最容易在复现时搞错的一点：把 178 个宏观变量直接作为预测变量（只用最后一个标准化观测，通常是增量）时，LS / EN / FFN / GAN 四个模型的样本外 Sharpe 全部崩塌，甚至低于完全不放入宏观变量。原因：只用最后一个增量丢失了全部动态信息，无法识别经济状态；同时大量无关变量使信号与噪声更难分离。

用 LSTM 提取的 4 个隐状态则相反：GAN 样本外 Sharpe 比"无宏观"版本高约 10%。隐状态在 NBER 衰退期出现峰值，呈明显周期行为。

关键数字

项 值
数据 CRSP 美股月度，1967-01 至 2016-12（50 年）
划分 训练 1967–1986 / 验证 1987–1991 / 样本外 1992–2016
特征与宏观 46 个公司特征（过去收益 / 投资 / 盈利 / 无形 / 估值 / 交易摩擦六类）+ 178 条宏观序列
股票池 约 10,000 只（要求当月特征齐备；CRSP 全集约 31,000 只）
超参 2 层网络、4 个经济状态、8 个检验工具、9 模型集成
年化样本外 Sharpe GAN 2.6 / 线性版 1.7 / 深度预测 FFN 1.5 / Fama-French 五因子 0.8
方差解释 EV GAN 8%，其他模型约 4%
截面 R^2 GAN 23%，其他模型 15–19%
46 个异常十分位组合 截面 R^2 全部 > 90%
\beta 排序组合的线性拟合 R^2 = 0.98（5 分位）/ 0.97（10 分位）/ 0.95（20 分位），截距略低于零
GRS 检验（CAPM / FF3 / FF5） p 值全部 0.00
只保留最大 1,500 只股票 GAN 年化 Sharpe 1.4；最大 550 只时 0.9；线性模型同期基本塌掉
交易摩擦截断 剔除 40% 最小市值 → 年化 Sharpe 1.73；剔除 40% 最大价差 → 2.07；剔除 40% 最低换手 → 1.87

变量重要性：GAN 的 SDF 对短期反转、标准未解释成交量、动量最敏感，前 20 个变量覆盖全部六个类别；FFN 的前 14 个特征几乎只来自交易摩擦与过去收益两类——纯预测模型有"只盯 penny stock"的嫌疑，而无套利约束加对抗检验资产正是把它拉出来的机制。

局限与开放问题

  • 无套利的正性没有显式强制：只用矩条件，事后发现样本内 SDF 始终为正，所以不需要额外约束——但这依赖数据，不是结构性保证。
  • 宏观变量的处理方式极其敏感，是最容易在复现时被搞错的实现细节。
  • 计算成本高：滚动窗口版本每年重估一次（不是每月）。
  • 需要 9 次集成平均才稳定；单次拟合依赖初始化。
  • 交易摩擦只做事后截断，没有写进估计目标——论文自己引用 Avramov-Cheng-Metzker (2020) 指出这是开放方向。
  • 模型比较的基准是"最优超参"下比较，而 LS / EN / FFN 的最优配置都退化为不含宏观变量——这让对比更公平，但也意味着"宏观变量有用"这个结论只对 GAN 成立。

与其他概念的关系

来源