NeuralBeta: Estimating Beta Using Deep Learning

要約

金融におけるベータを推定する従来のアプローチは、多くの場合、厳密な仮定を伴い、ベータのダイナミクスを適切に捉えることができず、ヘッジのような使用ケースにおける有効性を制限している。このような限界に対処するため、我々はNeuralBetaと呼ばれるニューラルネットワークを用いた新しい手法を開発した。NeuralBetaは、一変量と多変量の両方のシナリオを扱うことができ、ベータの動的挙動を追跡することができる。解釈可能性の問題に対処するため、正則化重み付き線形回帰に着想を得た新しい出力層を導入し、モデルの意思決定プロセスに透明性を与える。我々は、合成データと市場データの両方で広範な実験を行い、様々なシナリオ、特にベータが非常に時間的に変動する場合、例えば市場のレジームシフト時などにおいて、ベンチマーク手法と比較してNeuralBetaの優れたパフォーマンスを実証した。このモデルは、ベータ推定分野の進歩を示すだけでなく、線形関係を前提とする他の金融文脈への応用の可能性も示している。

要約(オリジナル)

Traditional approaches to estimating beta in finance often involve rigid assumptions and fail to adequately capture beta dynamics, limiting their effectiveness in use cases like hedging. To address these limitations, we have developed a novel method using neural networks called NeuralBeta, which is capable of handling both univariate and multivariate scenarios and tracking the dynamic behavior of beta. To address the issue of interpretability, we introduce a new output layer inspired by regularized weighted linear regression, which provides transparency into the model’s decision-making process. We conducted extensive experiments on both synthetic and market data, demonstrating NeuralBeta’s superior performance compared to benchmark methods across various scenarios, especially instances where beta is highly time-varying, e.g., during regime shifts in the market. This model not only represents an advancement in the field of beta estimation, but also shows potential for applications in other financial contexts that assume linear relationships.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL