### 中文标题 深度学习与国际资本资产定价模型

《The Journal of Finance and Data Science》:Deep learning and the international capital asset pricing model

【字体: 大 中 小 】 时间:2026年08月27日 来源:The Journal of Finance and Data Science 3.7

编辑推荐:

   研究人员重新审视了国际条件资本资产定价模型(ICCAPM),使用长短期记忆(LSTM)模型来估计高维时变协方差,其参数限制比标准协方差估计器更少。使用国际股票数据,研究人员发现世界协方差风险的价格为正且显著,这与传统协方差估计器形成对比。LSTM方法提供了更

  

研究人员重新审视了国际条件资本资产定价模型(ICCAPM),使用长短期记忆(LSTM)模型来估计高维时变协方差,其参数限制比标准协方差估计器更少。使用国际股票数据,研究人员发现世界协方差风险的价格为正且显著,这与传统协方差估计器形成对比。LSTM方法提供了更优的样本外协方差预测,并改善了投资组合表现,产生了更高的夏普比率(Sharpe ratio)。结果还表明全球市场整合随时间增加。这些发现强调了灵活协方差估计对国际资产定价模型实证检验的重要性。
### 论文解读文章

#### 研究背景与问题
在国际金融文献中,对条件资本资产定价模型(ICCAPM)的实证检验长期存在争议,普遍发现世界协方差风险价格不显著或缺乏统计意义。传统协方差估计方法,如常数相关或对角矩阵假设,常被用于简化高维参数估计(如Bollerslev等,1988;Ng,1991),但Longin和Solnik(1995)指出国际股票收益相关性随时间不稳定,Carrieri等(2007)进一步强调直接使用相关性衡量市场整合存在错误。这些局限性导致估计结果可能扭曲对协方差风险的推断,从而影响ICCAPM的验证。为此,研究人员引入深度学习技术,旨在通过灵活估计条件协方差,重新评估ICCAPM的适用性。

#### 研究内容与结论
本研究使用长短期记忆(LSTM)模型,一种递归神经网络(RNN),联合估计八个国家股票指数(加拿大、法国、德国、意大利、日本、瑞士、英国和美国)及世界市场指数的条件协方差,样本覆盖1997年1月至2019年7月。研究人员发现,基于LSTM估计的协方差风险价格为正且显著(λ=0.331,p<0.01),而传统基准模型(如动态条件相关DCC、广义矩估计GMM、最小协方差行列式MCD和移动平均MA)均不显著。此外,LSTM模型在样本外协方差预测、投资组合夏普比率和市场整合测量方面均优于基准模型,表明其经济重要性。

#### 关键技术方法
研究人员采用LSTM模型作为核心工具,利用日度收益数据构造月度实现协方差矩阵,通过10年滚动窗口训练并预测下月条件协方差。LSTM模型通过非线性降维和惩罚技术,减少参数限制,捕捉长期依赖。对比基准模型包括DCC、GMM、MCD和MA,数据来源为Thomson Reuters Datastream。LSTM模型在预测精度和投资组合优化上表现突出,但未涉及具体试剂或培养步骤。

#### 研究结果
- **协方差风险价格估计**:通过面板回归,LSTM模型估计的协方差风险价格为正且显著,而基准模型均不显著,支持ICCAPM的有效性。
- **模型诊断**:LSTM模型产生最高伪R2(如加拿大为10.33%),平均定价误差较小,残差更接近正态分布,优于多数基准模型。
- **市场整合分析**:使用Carrieri等(2007)的整合度量,发现所有国家与美国的市场整合随时间增加,差异在2014-2019年显著高于2009-2013年。
- **协方差预测准确性**:LSTM模型的均方误差(MSE)和平均绝对误差(MAE)显著低于基准模型,Diebold-Mariano检验支持其优越性。
- **投资组合表现**:基于LSTM协方差的切线投资组合平均夏普比率(1.42)显著高于全样本Markowitz基准(0.29),在施加权重约束时仍保持优势。

#### 讨论与结论
讨论部分强调,LSTM模型的灵活性避免了传统协方差估计的限制,从而改变了ICCAPM的实证结论。研究结论指出,LSTM方法不仅提升协方差预测和投资组合性能,还为市场整合提供更准确的测量,支持风险解释国际资产收益。研究局限性包括样本选择、特定时间段和单一网络架构,未来可扩展至更多市场和模型。论文发表于《The Journal of Finance and Data Science》,作者为Stephen R. Owen和Timothy T. Simin。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号