Chen, Pelger & Zhu (2021) — Deep Learning in Asset Pricing
论文信息
- 标题: Deep Learning in Asset Pricing
- 作者: Luyang Chen（Stanford, ICME）· Markus Pelger（Stanford, 管理科学与工程）· Jason Zhu（Stanford, 管理科学与工程）
- venue: arXiv:1904.00745（工作稿，2019-04 首稿，2021-08-12 本版）；75 页；未正式发表
- 本地归档:
raw/papers/202108-deep-learning-in-asset-pricing/（paper.pdf 3.0 MB + extracted.md） - 数据发布: 宏观隐状态时间序列挂在 Stanford 个人主页
mpelger.people.stanford.edu/research
一句话
把无套利矩条件写进神经网络训练目标，用一个生成对抗网络数据驱动地构造"最难被定价的组合"作为 test assets，用 LSTM 从宏观时间序列提取经济隐状态，从个股收益率反推随机贴现因子 (SDF)；样本外年化 Sharpe 2.6、解释个股方差 8%、解释预期收益 23%。
结构
- §I Model — 无套利 SDF 表述与一因子化（§I.A）；对抗式矩方法 (GMM 的 min-max 化，§I.B)；两个基准模型（纯预测 FFN、线性 LS/EN，§I.C）
- §II Estimation — 损失函数与三网络架构（FFN 估 \omega 与 \beta、LSTM 估宏观隐状态 h_t、GAN 条件网络构造 test assets）；超参与集成；模型比较指标（SR / EV / 截面 R^2）
- §III Empirical Results — 数据（§III.A）；GAN 玩具示例（§III.B）；个股截面表现（§III.C）；预测能力（§III.D）；特征排序组合的定价（§III.E）；变量重要性（§III.F）；SDF 结构（§III.G）；稳健性（§III.H）；机器学习投资（§III.I）；与多因子模型的结合（§III.J，IPCA）
- §IV Conclusion — 四条主要结论；供后续研究使用的新 test assets 与隐状态序列
与已有页面的关系
- Luyang Chen · Markus Pelger · Jason Zhu — 作者页
- 深度学习资产定价 — 主概念页
- Test Assets 与因子模型检验 — 论文的 GAN 部分正是"如何造 test assets"的答案
- Panel Tree — 同为目标导向生成 test assets 的另一条技术路线
- Cong-Feng-He-He 2025 — 用目标导向 test assets 检验已有模型；本篇用它训练模型
- 深度学习统计套利 — 同一作者 Markus Pelger 的另一条线：残差 → 信号 → 头寸联合优化
- 摘要: 中文摘要
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 + 178 条宏观时间序列 |
| 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 / FFN 深度预测 1.5 / FF5 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） |
| 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 |
标准文献
Chen, L., Pelger, M., & Zhu, J. (2021). Deep Learning in Asset Pricing. arXiv:1904.00745 (version of August 12, 2021). Stanford University.
前序版本: Bryzgalova, S., Pelger, M., & Zhu, J. (2020). Forest Through the Trees: Building Cross-Sections of Stock Returns（同一作者组的因子树前作）。