personasset-pricingSDFGANdeep-learningstanford

Luyang Chen

Affiliation: Stanford University，Institute for Computational and Mathematical Engineering（ICME）；博士毕业于 Stanford 管理科学与工程系（2020），现于资产管理机构任职。

研究领域: 资产定价模型、随机贴现因子 (SDF) 的机器学习估计、因子结构与时变风险暴露。

在本 wiki 的论文

  • Chen-Pelger-Zhu 2021 — Deep Learning in Asset Pricing — 把无套利矩条件作为神经网络的训练准则：生成对抗网络数据驱动地构造最难被定价的 test assets，LSTM 从 178 条宏观时间序列提取 4 个经济隐状态，从个股收益率反推 SDF。样本外年化 Sharpe 2.6、解释个股方差 8%、预期收益 23%，在 46 个异常十分位组合上截面 R^2 全部 > 90%。见 深度学习资产定价

方法论取向

论文回答资产定价的三个问题，每个问题对应一类网络：

问题 手段
SDF 的函数形式是什么 前馈网络 (FFN)，允许完全非参数
该用哪些检验资产 生成对抗网络 (GAN)，数据驱动构造最难解释的组合
经济状态是什么 LSTM，从宏观时间序列提取隐状态

核心主张是经济约束比模型灵活度更重要：纯预测路线（Gu-Kelly-Xiu 式的深度学习预测）打不过带无套利约束的线性模型。

另一条相关工作是 Bryzgalova-Pelger-Zhu (2020) 的 Forest Through the Trees——用决策树构造横截面因子并用无套利论证剪枝，是同一作者组在"如何造因子/检验资产"这条线上的前作。

相关