残差学习将浅层资产定价模型深度显著提升样本外表现

01 摘要

深层模型理论上应优于浅层模型，但已有资产定价实证文献中浅层模型表现更强。作者通过残差学习使神经网络在保留浅层模型信息的基础上加深，从而提升样本外表现。结果显示，深度残差模型的价值加权多空组合样本外夏普比率为2.07，高于对应的浅层模型1.92，且超过深度前馈模型0.89的两倍。作者认为模型深度是资产定价中额外经济价值的来源，并指出残差学习可推广到其他含中间层的神经网络资产定价模型。

02 关键点

1. 深度残差资产定价模型的价值加权多空组合样本外夏普比率为2.07，高于浅层模型的1.92和深度前馈模型的0.89。
2. 残差学习让神经网络在保留浅层模型信息的同时加深，缓解了深层模型表现不如浅层模型的问题。
3. 作者认为模型深度是资产定价中额外经济价值的来源，并称该设计可为‘原生大型资产定价模型’的规模化提供路径。