More Related Content
Similar to RIC-NN:深層転移学習を用いたマルチファクター運用
Similar to RIC-NN:深層転移学習を用いたマルチファクター運用 (20)
More from Kei Nakagawa (20)
RIC-NN:深層転移学習を用いたマルチファクター運用
- 1. Method
RIC-NN:深層転移学習を用いたマルチファクター運用
中川 慧 (𝟏)
, 阿部 真也 (𝟏)
, 小宮山 純平 (𝟐)
1野村アセットマネジメント株式会社, 2ニューヨーク大学
Features and Network Architecture
Reference
Experimental Results
Introduction
➢クロスセクション予測
➢特徴量（ファクター） ➢パフォーマンス計測
➢ ベースライン手法との比較
[1] Nakagawa, K.; Abe, M.; and Komiyama, J. 2019.
A robust transferable deep learning framework for cross-sectional investment strategy. CoRR abs/1910.01491.
✓ある基準で見て(相対的に)リターンの高い銘柄を予測。
➢RIC-NN: Rank IC based Neural Network
(2) Rank ICベースのEarly Stopping
(3) Deep Transfer Learning
・投資対象銘柄が時変である
・停止水準が直感的に把握できる
(1) 深層学習を用いたマルチファクターモデル
No. Feature
(Factor)
No. Feature (Factor) No. Feature (Factor)
1 Book-to-market
ratio
8 Return on
invested capital
15 EPS Revision
(1 month)
2 Earnings-to-
price ratio
9 Accruals 16 EPS Revision
(3 months)
3 Dividend yield 10 Total Asset
Growth Rate
17 Past stock return
(1 month)
4 Sales-to-price
ratio
11 Current ratio 18 Past stock return
(12 months)
5 Cash flow-to-
price ratio
12 Equity ratio 19 Volatility
6 Return on
equity
13 Total Asset
Turnover Rate
20 Skewness
7 Return on asset 14 CAPEX Growth
Rate
・ 実務的によく使用される20のファクターを使う。
✓ユニバースとしては次の指数の構成銘柄
➢Problem Formulation (回帰問題)
・ MSEを最小化するように関数𝑓を学習する。
✓ 20個のファクター:
・ ある月𝑇 におけるユニバース 𝑈 𝑇の銘柄𝑖に対して、
𝐱 𝑖,𝑇 ∈ 𝑅20
𝑥/ 𝑅
𝑦 ≔ 2(𝑥 − 𝑦)/( 𝑥 + 𝑦 )
✓教師: [0,1]に基準化した一ヵ月先のリターン
前処理 ＆ Feature augmentation
𝒗𝑖,𝑇 = (𝒙𝑖,𝑇, 𝒙𝑖,𝑇−3,… , 𝒙𝑖,𝑇−12,
𝒙𝑖,𝑇/ 𝑅
𝒙𝑖,𝑇−3,… , 𝒙𝑖,𝑇/ 𝑅
𝒙𝑖,𝑇−12) ∈ [0,1] 𝟏𝟖𝟎
𝑟𝑖,𝑇+1 ∈ [0,1]
➢Our Model (RIC－NN)
・ RIC-NNのネットワークの構造
✓ 全結合のフィードフォワードネットワーク
✓ 隠れ層が6層:
{ 150 – 150 – 100 – 100 – 50 – 50 }
ドロップアウト:
(50% – 50% – 30% – 30% – 10% – 10%)
✓ 活性化関数はReLU
✓ Rank IC = 0.20で学習停止
✓ 転移学習には最初の4層を転移させる。
・ Long Portfolio Strategy - 予測リターンが上位1分位の銘柄群を等ウェイトで買う
- ベンチマーク: すべての銘柄の等ウェイト
・ NA: RIC-NN（転移なし）
が最も良いパフォーマンス
・ AP: RIC-NN（転移あり）
が最も良いパフォーマンス
・ NAはSource Domainとして
APのパフォーマンスを向上させるが、逆はない。
・エポック数ベースは
非常にセンシティブである。
✓予測に有効である「基準」をファイナンスでは
ファクターといい、これまで多くのファクターが
発見されてきた。
Rank IC 回帰分析 分位ポートフォリオ
ファクターと相対リターンの
順位相関係数
ファクターと相対リターン
の回帰係数
魅力的な分位の銘柄群を買い、
逆を売りした戦略
経験的に0.1程度あれば有効 係数のt値で有効性を判断。 R/Rが1を超えてると有効。
✓「基準」の有効性の確認には次の3つがよく使用される。
複数のファクターを深層転移学習を用いて
効率的に組み合わせ、
高いリターンを獲得する
クロスセクション予測のフレームワークを提案
✓過学習/過少学習を抑制するために、Rank ICを用いる
✓市場間の非対称な情報伝播をとらえるために転移学習を使用
研究の目的
- MSCI North America Index (NA)
- MSCI Pacific Index (AP)
➢ Epochベースとの比較
2004/12から2018/12まで毎月末に実施
![Method
RIC-NN:深層転移学習を用いたマルチファクター運用
中川 慧 (𝟏)
, 阿部 真也 (𝟏)
, 小宮山 純平 (𝟐)
1野村アセットマネジメント株式会社, 2ニューヨーク大学
Features and Network Architecture
Reference
Experimental Results
Introduction
➢クロスセクション予測
➢特徴量（ファクター） ➢パフォーマンス計測
➢ ベースライン手法との比較
[1] Nakagawa, K.; Abe, M.; and Komiyama, J. 2019.
A robust transferable deep learning framework for cross-sectional investment strategy. CoRR abs/1910.01491.
✓ある基準で見て(相対的に)リターンの高い銘柄を予測。
➢RIC-NN: Rank IC based Neural Network
(2) Rank ICベースのEarly Stopping
(3) Deep Transfer Learning
・投資対象銘柄が時変である
・停止水準が直感的に把握できる
(1) 深層学習を用いたマルチファクターモデル
No. Feature
(Factor)
No. Feature (Factor) No. Feature (Factor)
1 Book-to-market
ratio
8 Return on
invested capital
15 EPS Revision
(1 month)
2 Earnings-to-
price ratio
9 Accruals 16 EPS Revision
(3 months)
3 Dividend yield 10 Total Asset
Growth Rate
17 Past stock return
(1 month)
4 Sales-to-price
ratio
11 Current ratio 18 Past stock return
(12 months)
5 Cash flow-to-
price ratio
12 Equity ratio 19 Volatility
6 Return on
equity
13 Total Asset
Turnover Rate
20 Skewness
7 Return on asset 14 CAPEX Growth
Rate
・ 実務的によく使用される20のファクターを使う。
✓ユニバースとしては次の指数の構成銘柄
➢Problem Formulation (回帰問題)
・ MSEを最小化するように関数𝑓を学習する。
✓ 20個のファクター:
・ ある月𝑇 におけるユニバース 𝑈 𝑇の銘柄𝑖に対して、
𝐱 𝑖,𝑇 ∈ 𝑅20
𝑥/ 𝑅
𝑦 ≔ 2(𝑥 − 𝑦)/( 𝑥 + 𝑦 )
✓教師: [0,1]に基準化した一ヵ月先のリターン
前処理 ＆ Feature augmentation
𝒗𝑖,𝑇 = (𝒙𝑖,𝑇, 𝒙𝑖,𝑇−3,… , 𝒙𝑖,𝑇−12,
𝒙𝑖,𝑇/ 𝑅
𝒙𝑖,𝑇−3,… , 𝒙𝑖,𝑇/ 𝑅
𝒙𝑖,𝑇−12) ∈ [0,1] 𝟏𝟖𝟎
𝑟𝑖,𝑇+1 ∈ [0,1]
➢Our Model (RIC－NN)
・ RIC-NNのネットワークの構造
✓ 全結合のフィードフォワードネットワーク
✓ 隠れ層が6層:
{ 150 – 150 – 100 – 100 – 50 – 50 }
ドロップアウト:
(50% – 50% – 30% – 30% – 10% – 10%)
✓ 活性化関数はReLU
✓ Rank IC = 0.20で学習停止
✓ 転移学習には最初の4層を転移させる。
・ Long Portfolio Strategy - 予測リターンが上位1分位の銘柄群を等ウェイトで買う
- ベンチマーク: すべての銘柄の等ウェイト
・ NA: RIC-NN（転移なし）
が最も良いパフォーマンス
・ AP: RIC-NN（転移あり）
が最も良いパフォーマンス
・ NAはSource Domainとして
APのパフォーマンスを向上させるが、逆はない。
・エポック数ベースは
非常にセンシティブである。
✓予測に有効である「基準」をファイナンスでは
ファクターといい、これまで多くのファクターが
発見されてきた。
Rank IC 回帰分析 分位ポートフォリオ
ファクターと相対リターンの
順位相関係数
ファクターと相対リターン
の回帰係数
魅力的な分位の銘柄群を買い、
逆を売りした戦略
経験的に0.1程度あれば有効 係数のt値で有効性を判断。 R/Rが1を超えてると有効。
✓「基準」の有効性の確認には次の3つがよく使用される。
複数のファクターを深層転移学習を用いて
効率的に組み合わせ、
高いリターンを獲得する
クロスセクション予測のフレームワークを提案
✓過学習/過少学習を抑制するために、Rank ICを用いる
✓市場間の非対称な情報伝播をとらえるために転移学習を使用
研究の目的
- MSCI North America Index (NA)
- MSCI Pacific Index (AP)
➢ Epochベースとの比較
2004/12から2018/12まで毎月末に実施](https://image.slidesharecdn.com/jsai2020poster-200611151708/85/RIC-NN-1-320.jpg)
