RVRAE: A Dynamic Factor Model Based on Variational Recurrent Autoencoder for Stock Returns Prediction

近年来，动态因子模型已成为经济和金融领域的主要工具，特别是投资策略方面。与传统的静态因子模型相比，该模型在处理复杂、非线性和嘈杂的市场条件方面有着更好的表现。机器学习的进步，特别是在处理非线性数据方面，进一步增强了资产定价方法。本文介绍了一种开创性的动态因子模型，名为RVRAE。该模型是一种概率方法，可以处理市场数据中的时间依赖性和噪声。RVRAE巧妙地将动态因子建模原理与深度学习中的变分递归自编码器（VRAE）相结合。RVRAE的一个关键特点是其使用先验-后验学习方法。该方法通过寻找一个受未来数据启示的最优后验因子模型来微调模型的学习过程。值得注意的是，RVRAE擅长于在波动性股票市场中进行风险建模，从潜在空间分布中估计方差并预测回报。我们对真实股票市场数据进行的实证测试强调了RVRAE相对于各种已建立的基准方法的优越性能。

RVRAE试图通过结合动态因子建模和深度学习中的变分循环自编码器(VRAE)的原理，解决股票市场中的风险建模和回报预测问题。

RVRAE采用先验后验学习方法，通过寻找未来数据所知的最优后验因子模型来微调模型的学习过程，从而更好地处理市场数据中的时间依赖性和噪声，并在潜在空间分布中估计方差和预测回报。

RVRAE在真实股票市场数据上的实证测试表明，相比于各种已有的基准方法，其具有更好的性能。此外，RVRAE还能够进行风险建模，并使用哪些数据集、是否有开源代码等问题。

与该论文相关的研究包括动态因子模型和深度学习在资产定价中的应用，以及其他基于深度学习的风险建模和回报预测方法。