报告概述
本报告提出一种基于深度神经网络的资产定价模型，用于估计个股收益的随机贴现因子（SDF）。模型结合了前馈网络、LSTM循环网络和生成对抗网络（GAN），在无套利条件约束下从条件矩中估计SDF。研究覆盖1967-2016年美国股票数据，包含46个公司特征和178个宏观时间序列。报告分析非线性交互效应、宏观经济状态对定价的影响，并与线性模型和预测方法对比，提供变量重要性评估和投资策略表现。
报告的核心结论
GAN模型在定价表现上全面优于基准
报告指出，所提出的GAN模型在样本外夏普比率（2.6）上显著高于线性模型（1.7）、深度学习预测方法（1.5）和Fama-French五因子模型（0.8），同时能解释8%的个股收益变异和23%的预期收益，优于所有对比模型。
非线性交互效应是模型优越性的关键
虽然单个特征对SDF的影响近似线性，但多个特征之间的非线性交互作用显著。GAN能够捕捉如动量与短期反转之间的复杂交互，而线性模型和加性非线性模型无法实现。
宏观经济状态对资产定价至关重要
LSTM网络从178个宏观时间序列中提取出4个隐藏状态过程，这些状态与经济周期和危机时期紧密相关。忽略宏观动态或仅使用差分数据会导致性能大幅下降，而GAN利用隐藏状态后夏普比率提升约10%。
无套利约束是提升信号的关键
单纯预测预期收益的深度学习方法（FFN）表现不如线性无套利模型。GAN通过将无套利条件纳入学习算法，有效分离风险溢价噪声，从而识别出真正的定价信息。
报告回答的关键问题
如何利用深度学习估计资产定价模型？
报告提出一种结合前馈网络、LSTM和生成对抗网络的框架，通过最小化无套利条件矩方程来估计随机贴现因子。前馈网络捕捉非线性函数形式，LSTM提取宏观状态，GAN自动选择最难定价的矩条件，从而利用大量条件信息同时保持灵活性。
无套利条件在机器学习中有什么作用？
无套利条件作为经济约束嵌入学习算法，能显著提升风险溢价信号。报告对比发现，加入无套利条件后，模型在夏普比率、解释变异和定价误差上均优于普通预测方法，因为该约束帮助过滤噪声，聚焦于具有定价信息的系统性成分。
哪些公司特征对资产定价最重要？
报告通过敏感性分析排序发现，短期反转、标准未解释交易量和动量是最重要的三个特征。整体上，交易摩擦和过去收益类别最为关键，但GAN模型也赋予了投资、盈利等类别更多权重，而简单预测方法几乎只关注小盘流动性差股票。
深度神经网络的资产定价模型能否产生可交易策略？
可以。报告指出，GAN估计的SDF因子对应条件均值-方差有效投资组合，其样本外夏普比率达2.6，最大回撤和最大损失与其他模型相当或更优。基于风险暴露β构建的排序组合能显著预测未来收益，且经Fama-French因子后仍有显著定价误差。
报告中的代表性数据
样本外夏普比率（GAN）
1992-2016，GAN模型的年化样本外夏普比率，比较基准：线性模型1.7，深度学习预测1.5，Fama-French五因子0.8。
个股收益变异解释比例（GAN）
1992-2016，GAN模型对个股收益的时间序列变异解释比例（EV），其他模型约为3%-4%。
动量排序十等分组合的横截面R²（GAN）
1992-2016，GAN对动量（r12_2）十等分组合的样本外横截面R²，弹性网为66%，深度学习预测为71%。
以上数据根据报告摘要整理，具体统计口径和数值请以完整报告原文为准。
完整报告包含什么
- 完整市场数据与趋势图表：包含1967-2016年间约31000只美国股票及46个公司特征、178个宏观经济序列的详细描述与统计。
- 研究模型与评价维度：详细介绍GAN模型的数学框架、损失函数、网络架构，以及夏普比率、解释变异、横截面R²等评价指标。
- 模拟实验验证：通过两个模拟设置展示无套利条件、非线性交互和LSTM宏观状态的必要性，对比真实表现差异。
- 个股收益实证结果：全面对比GAN与线性模型、弹性网、深度学习预测在夏普比率、解释变异和定价误差上的表现，并展示稳健性检验（如大市值股票子样本）。
- 变量重要性分析：对46个公司特征和178个宏观变量进行敏感性排序，揭示定价主要驱动因素。
- SDF结构可视化：以一维、二维、三维图形展示SDF权重与公司特征的函数关系，突出非线性交互效应。
- 投资策略表现：提供SDF因子组合的累计收益、最大回撤、换手率等风险指标，以及基于β排序组合的预测能力和因子定价测试。
- 稳健性检验与附加表格：包括不同股票市值分组的模型表现、双排序组合定价结果、以及互联网附录中的更多图表和表格。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
