Deep Learning for Conditional Asset Pricing Models机器翻译，仅供参考！可使用微信自带翻译功能自行翻译获取文献链接/翻译/pdf/文章解析请加入知识星球“量化前沿速递”研究背景与动机
文章指出传统资产定价模型在预测股票超额收益方面表现不佳，主要归因于模型假设过强（如因子和贝塔系数时不变）、忽略条件信息以及线性回归对函数形式的限制。此外，现有因子效应随时间衰减，且高维特征导致“维度灾难”，使得传统方法难以有效捕捉市场动态。
核心方法：伪孪生网络资产定价（SNAP）模型
作者提出一种基于深度学习的“伪孪生网络资产定价”（pseudo-Siamese Network for Asset Pricing, SNAP）模型。该模型结合了长短期记忆网络（LSTM），能够从高维的公司特征和宏观经济状态中提取信息，分别估计深度阿尔法（deep alpha）、深度贝塔（deep beta）和深度因子风险溢价（deep factor risk premia），并允许这些参数随时间动态变化。
与传统“黑箱”式机器学习方法不同，该模型在经济理论框架下构建，将深度学习与条件资产定价模型相结合，强调了经济解释的重要性。
模型优势与创新点
1.强大的预测能力：模型在样本外预测和样本外夏普比率上均显著优于基准模型（包括Fama-French三因子、五因子模型，以及LASSO、ElasticNet、岭回归和前馈神经网络）。
2. 捕捉长期依赖：LSTM网络能够存储公司特征和宏观变量的长期依赖信息，有效提升了样本外预测性能，并显著降低了模型性能衰减。
3. 新颖的误定价检验方法：作者提出一种创新的假设检验方法，将“阿尔法是否为零”的问题转化为一个对照实验问题。通过比较包含阿尔法子网络的完整模型和仅屏蔽阿尔法子网络的“掩码模型”的残差差异，来检验误定价的显著性。
4. 经济解释与实证验证：模型的预测能力不仅体现在统计上，更具有经济意义。
主要实证发现与结论
1.误定价显著存在：通过曼-惠特尼U检验，文章强有力地拒绝了“误定价误差为零”的原假设，证明了市场存在显著的误定价。
2. 构建套利组合：基于模型估计出的“深度误定价误差”（深度阿尔法），作者构建了套利组合。该组合在控制了CAPM、Fama-French三因子和五因子模型后，依然表现出显著的阿尔法。
3. 验证格雷厄姆名言：文章使用K-Means聚类方法，将每月的套利组合分为五类。研究发现，短期内存在表现极好和极差的组合（对应高正/负夏普比率），但随着时间推移，不同类别组合的夏普比率差异逐渐缩小。这一现象为本杰明·格雷厄姆的名言“短期市场是投票机，长期市场是称重机”提供了实证支持，即短期价格受情绪影响，而长期价格会回归公司的基本面价值。
4. 关键预测变量：通过噪声扰动分析，文章识别出对公司收益预测最具影响力的变量。其中，交易摩擦类特征（如市场贝塔、波动率）、无形资产类特征（如研发增加）和价值/成长类特征最为重要。宏观经济变量中，市场超额收益和美元交易量等对预测也至关重要。
5. 模型稳健性：即使排除市值极小的股票（微盘股），该模型依然表现出色，其卓越性能并非依赖于微盘股的异常高收益，证明了模型的稳健性和普适性。
总结
本文通过将深度学习技术（特别是LSTM）与经济理论相结合，构建了一个性能卓越的条件资产定价模型。该模型不仅在预测精度和投资组合表现上超越了传统方法，更重要的是，它为理解市场短期波动与长期价值的关系提供了有力的实证证据，并验证了深度误定价的存在，为投资者和资产管理者提供了新的工具和洞见。
