ترجمه فارسی مقاله عوامل عصبی: یک رویکرد یادگیری عاملی جدید برای مدل‌سازی مولد سهام

چکیده

The use of machine learning for statistical modeling (and thus, generative modeling) has grown in popularity with the proliferation of time series models, text-to-image models, and especially large language models. Fundamentally, the goal of classical factor modeling is statistical modeling of stock returns, and in this work, we explore using deep generative modeling to enhance classical factor models. Prior work has explored the use of deep generative models in order to model hundreds of stocks, leading to accurate risk forecasting and alpha portfolio construction; however, that specific model does not allow for easy factor modeling interpretation in that the factor exposures cannot be deduced. In this work, we introduce NeuralFactors, a novel machine-learning based approach to factor analysis where a neural network outputs factor exposures and factor returns, trained using the same methodology as variational autoencoders. We show that this model outperforms prior approaches both in terms of log-likelihood performance and computational efficiency. Further, we show that this method is competitive to prior work in generating realistic synthetic data, covariance estimation, risk analysis (e.g., value at risk, or VaR, of portfolios), and portfolio optimization. Finally, due to the connection to classical factor analysis, we analyze how the factors our model learns cluster together and show that the factor exposures could be used for embedding stocks.

چکیده به فارسی (ترجمه ماشینی)

استفاده از یادگیری ماشین برای مدل سازی آماری (و بنابراین ، مدل سازی تولیدی) با گسترش مدل های سری زمانی ، مدل های متن به تصویر و به ویژه مدلهای بزرگ زبان ، محبوبیت زیادی پیدا کرده است.اساساً ، هدف از مدل سازی فاکتور کلاسیک مدل سازی آماری بازده سهام است و در این کار ، ما با استفاده از مدل سازی عمیق تولیدی برای تقویت مدلهای فاکتور کلاسیک بررسی می کنیم.کار قبلی استفاده از مدلهای تولیدی عمیق را به منظور مدل سازی صدها سهام مورد بررسی قرار داده است ، که منجر به پیش بینی دقیق ریسک و ساخت نمونه کارها آلفا می شود.با این حال ، این مدل خاص امکان تفسیر مدل سازی فاکتور آسان را فراهم نمی کند که در معرض قرار گرفتن در معرض فاکتور نیست.در این کار ، ما NeuralFactors را معرفی می کنیم ، یک رویکرد مبتنی بر یادگیری ماشین جدید برای تجزیه و تحلیل عاملی که در آن یک شبکه عصبی در معرض قرار گرفتن در معرض فاکتور و بازده فاکتور ، با استفاده از همان روش به عنوان خودروهای متغیر آموزش دیده است.ما نشان می دهیم که این مدل از نظر عملکرد ورود به سیستم و بهره وری محاسباتی از رویکردهای قبلی بهتر عمل می کند.علاوه بر این ، ما نشان می دهیم که این روش در تولید داده های مصنوعی واقع گرایانه ، برآورد کواریانس ، تجزیه و تحلیل ریسک (به عنوان مثال ، ارزش در ریسک یا VAR ، پرتفوی ها) و بهینه سازی نمونه کارها رقابتی است.سرانجام ، به دلیل ارتباط به تحلیل عاملی کلاسیک ، ما تجزیه و تحلیل می کنیم که چگونه عواملی که مدل ما با هم خوشه می آموزد و نشان می دهد که از قرار گرفتن در معرض فاکتور می توان برای تعبیه سهام استفاده کرد.