CAPM y modelización de factores: Aprendizaje automático

Question

Disculpen mi ignorancia con esto, todavía estoy tratando de entender la interpretación del documento de factores de Fama French 1992.

Vengo de una formación en informática, pero estoy interesado en aplicarme también a las finanzas.

Mi pregunta es si se podrían aplicar algunos modelos de aprendizaje automático (RNA, SVM, etc.) al modelo CAPM/modelo de 3 factores del FF, por ejemplo;

1) Encontrar carteras más óptimas para el modelo de 3 factores de FF (en lugar de tener carteras clasificadas por tamaño y por precio de mercado, ¿sería posible utilizar el aprendizaje automático para encontrar carteras de empresas con características similares y pedir a una red neuronal que encuentre las "mejores" características para clasificar una cartera?

En un sentido académico, ¿podría ser suficiente utilizar el ML para crear una nueva cartera de factores?

2) ¿Podría ser posible también estimar el exceso de rentabilidad de un activo mediante métodos de aprendizaje automático?

ActualAssetReturn = RskFreeRate + B(ExpectedMktReturn - RskFreeRate)

¿Se está aplicando la NN u otros métodos de ML a la ecuación anterior?

¿Es posible pasar a través de una red neuronal profunda DNN entradas de la tasa libre de riesgo, el rendimiento esperado del mercado y las estimaciones de Beta (de OLS) para obtener los valores predichos para los rendimientos de los activos? entrenarlo en un conjunto de datos en la muestra y la prueba en un conjunto de datos fuera de la muestra...

De nuevo disculpa mi ignorancia, todavía estoy estudiando este tema pero me gustaría aclarar una o dos cosas de las que no estoy seguro.

Answer 1

1) En un sentido académico, ¿podría ser suficiente utilizar el ML para crear una nueva cartera de factores?

Los documentos originales de FF (92,93) decían algo profundo porque contradecían la teoría dominante de la época. Cuando se dice en un sentido académico, es posible que no se obtenga mucho respeto por parte de los académicos serios si se hace una minería de datos de un factor en estos días. Sin embargo, como ejercicio estadístico, sí, si encuentras una variable de tiempo t que explique los rendimientos medios en el tiempo t+1 tienes una cartera que podría ser potencialmente un factor.

Para identificar un factor permítanme decir que se puede

a) ejecutar una regresión transversal (OLS) de las características en el momento t, a los rendimientos en el momento t+1 para muchas variables diferentes y ver lo que funciona (pista, en la muestra muchos trabajan)

b) Se pueden utilizar técnicas de reducción y selección que compensan un cierto sesgo en los coeficientes para mejorar la capacidad de predicción (véase LAD/LASSO/etc)

Observará que los dos primeros métodos imponen una relación lineal entre las características y los datos, una ventaja potencial de utilizar técnicas de aprendizaje no lineal es que se pueden recoger relaciones en las que la relación característica-retorno es no lineal, la más sencilla es;

c) Basta con clasificar las acciones en carteras en función de alguna característica en el momento t y, a continuación, observar los rendimientos medios de cada cartera en t+1: una regresión no paramétrica de los rendimientos medios en el momento t+1 sobre las características en el momento t

d) SVM, ANN, etc. - aquí es fácil ejecutar todas las regresiones como las anteriores en el sentido de modelar las expectativas condicionales, pero puede haber un desafío de interpretación, considere una red neuronal de múltiples capas, las características pueden combinarse en formas complejas y no lineales para proporcionar un mejor ajuste a los datos, pero puede ser difícil de sacar el "factor" o la combinación de las características de la empresa responsable de la predictibilidad (suponiendo que usted no ha sobreajustado los datos).