ترجمه فارسی مقاله رمزگذارهای خودکار مبتنی بر KAN برای مدل های فاکتوری

چکیده

Inspired by recent advances in Kolmogorov-Arnold Networks (KANs), we introduce a novel approach to latent factor conditional asset pricing models. While previous machine learning applications in asset pricing have predominantly used Multilayer Perceptrons with ReLU activation functions to model latent factor exposures, our method introduces a KAN-based autoencoder which surpasses MLP models in both accuracy and interpretability. Our model offers enhanced flexibility in approximating exposures as nonlinear functions of asset characteristics, while simultaneously providing users with an intuitive framework for interpreting latent factors. Empirical backtesting demonstrates our model’s superior ability to explain cross-sectional risk exposures. Moreover, long-short portfolios constructed using our model’s predictions achieve higher Sharpe ratios, highlighting its practical value in investment management.

چکیده به فارسی (ترجمه ماشینی)

با الهام از پیشرفت های اخیر در شبکه های Kolmogorov-Arnold (KANS) ، ما یک رویکرد جدید برای مدل های قیمت گذاری دارایی مشروط فاکتور نهفته ارائه می دهیم.در حالی که برنامه های قبلی یادگیری ماشین در قیمت گذاری دارایی ها عمدتاً از Perceptrons چند لایه با توابع فعال سازی RELU برای مدل سازی قرار گرفتن در معرض فاکتور نهفته استفاده می کنند ، روش ما یک AutoEncoder مبتنی بر KAN را معرفی می کند که از مدل های MLP در دقت و تفسیر پیشی می گیرد.مدل ما انعطاف پذیری پیشرفته ای را در تقریب قرار گرفتن در معرض به عنوان توابع غیرخطی از ویژگی های دارایی ارائه می دهد ، در حالی که همزمان یک چارچوب بصری را برای تفسیر عوامل نهفته در اختیار کاربران قرار می دهد.پشتی تجربی نشان دهنده توانایی برتر مدل ما در توضیح قرار گرفتن در معرض خطر مقطعی است.علاوه بر این ، پرتفوی های کوتاه مدت که با استفاده از پیش بینی های مدل ما ساخته شده اند ، به نسبت های شارپ بالاتر می رسند و ارزش عملی آن را در مدیریت سرمایه گذاری برجسته می کنند.