作者
摘要
我们为投资组合优化打开了深度学习背后的黑匣子,并证明了经过训练以最大化随机折扣因子(SDF)夏普比率的足够宽和任意深度的神经网络(DNN)等价于大因子模型(LFM):一个使用许多非线性特征的线性因子定价模型。这些特征的性质取决于DNN以明确、易处理的方式构建的体系结构。这使得首次以封闭形式导出端到端训练的基于DNN的SDF成为可能。我们对LFM进行了实证评估,并展示了各种架构选择如何影响SDF性能。我们记录了深度复杂性的优点:有了足够的数据,DNNSDF的样本外性能在NN深度上不断提高,在大约100个隐藏层的巨大深度上达到饱和。
建议引用
Bryan T.Kelly和Boris Kuznetsov、Semyon Malamud和Teng Andrea Xu,2023年。"大(和深层)因素模型,"瑞士金融研究所研究论文系列23-121,瑞士金融学院。手柄:RePEc:chf:rpseri:rp23121版本
更正
本网站上的所有材料均由各自的出版商和作者提供。你可以帮助纠正错误和遗漏。请求更正时,请提及此项目的句柄:RePEc:chf:rpseri:rp23121版本。请参阅一般信息关于如何更正RePEc中的材料。
如果您编写了此项目,但尚未在RePEc注册,我们鼓励您这样做在这里。这允许将您的个人资料链接到此项目。它还允许您接受我们不确定的该项目的潜在引用。
我们没有这个项目的参考书目。您可以使用这个表格.
如果你知道引用这一条的缺失条目,你可以通过以与上述相同的方式为每个引用条目添加相关引用来帮助我们创建这些链接。如果您是此项目的注册作者,您可能还需要检查您的RePEc作者服务个人资料,因为可能有一些引文等待确认。
有关此项目的技术问题,或更正其作者、标题、摘要、书目或下载信息,请联系:Ridima Mittal(以下电子邮件可用)。供应商的一般联系方式:https://edirc.repec.org/data/faeech.html.
请注意,更正可能需要几周时间才能筛选出来各种RePEc服务。