NeuralFactors：Bloomberg 新型股票深度学习生成模型

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：
       本文介绍了一种名为NeuralFactors的新型机器学习生成模型，旨在改进股票收益的统计建模。NeuralFactors使用深度生成模型来增强传统因子模型，通过神经网络输出因子暴露和收益，采用变分自编码器（VAE）的训练方法。相较于现有方法，NeuralFactors在对数似然性能、计算效率、合成数据生成、协方差估计、风险分析和投资组合优化等方面展现出更优的表现。此外，NeuralFactors与传统因子分析相结合，能够对模型学习的因子进行聚类分析，并将因子暴露用于股票嵌入。

第1章 引言 (Introduction)

        理解和建模股票收益的alpha（超额收益）和风险在金融权益分析，不仅可以帮助我们理解股票收益的统计特性，还可以通过生成合成数据来进一步分析和预测市场行为。作者指出，传统的因子模型通过线性组合因子收益和特有成分来模拟股票收益，而在本文中，作者将重点放在使用深度学习技术来学习这些因子暴露，从而不仅能够对大量股票进行建模，还能够利用传统技术进行风险预测和投资组合构建。

        NeuralFactors模型通过训练一个能够输出因子暴露和因子收益的神经网络，提高了股票收益建模的准确性和效率。模型不仅能够生成逼真的合成数据，还能有效地进行风险预测和投资组合优化。论文的实验结果表明，NeuralFactors在多个评估指标上超越了先前的方法，包括在生成合成数据、协方差估计和投资组合优化方面的性能。此外，NeuralFactors还能够提供因子暴露的可解释性，有助于更好地理解模型如何捕捉股票之间的相关性。

第2章 背景 (Background)

        论文的方法论核心在于对条件分布p(y|x) 进行建模。为了实现这一点，作者使用了条件重要性加权自编码器（CIWAE），这是一种能够近似对数似然的模型，适用于统计评估和使用最大似然估计进行训练。

1. 学生T分布：论文中使用了学生T分布来建模数据。学生T分布的概率密度