.png){kind=icon}
返回
Multifactor Timing with Deep Learning
.png){kind=icon}
PRE
AI
DOI：10.1093/jjfinec/nbag006.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们开发了具有经济动机限制的深度神经网络，旨在克服因子择时的主要挑战。我们的关键创新包括：将多任务（MT）学习与长短期记忆神经网络相结合，以捕捉跨因子的共同结构，并提取金融和宏观经济状态。该动态MT神经网络在预测准确性和经济收益方面优于所有基准。我们确定了失业率、杠杆率、盈利能力和货币变动为关键预测因子，并强调了捕捉其非线性交互作用的重要性。通过具有经济限制的神经网络改进因子择时，有助于更可靠地探究驱动因子风险溢价的宏观经济机制，并凸显了深度学习在因子投资中的价值。
Keyword:
factor timing
deep learning
economic structure
machine learning
dynamic multitask neural networks
big data
G10
G11
G12
G17
C14
C22
C45
C58
期刊
J
IF:
2.2
论文数:
13
被引数:
1.9K
机构
引用论文
分享收藏
Value Return Predictability across Asset Classes and Commonalities in Risk Premia跨资产课程的价值回报可预测性和风险溢价的共性.png)
REVIEW OF FINANCE
OAAI
REVIEW OF FINANCEIF8.4
OAAI分享收藏分享收藏分享收藏Alpha Go Everywhere: Machine Learning and International Stock ReturnsAlpha go everywhere: 机器学习与国际股票收益
PREAI
分享收藏分享收藏
查看更多内容