Newest papers

Residual Learning in Empirical Asset Pricing

Dexin Peng, Xiaoyu Wang · 2026 · SSRN Electronic Journal

DOI: 10.2139/ssrn.7528558 · cited by 0 works (OpenAlex) · open-access PDF

Spanish

Los modelos Shallow son casos especiales de modelos profundos, y los modelos profundos teóricamente tienen el potencial de sobrepasar a los modelos poco profundos. Sin embargo, la literatura de precios de activos empíricos existente proporciona sólidos parámetros de referencia para los modelos poco profundos. El aprendizaje residual permite que los modelos de redes neuronales en el precio de los activos vayan más profundamente preservando y refinando a sus homólogos poco profundos. La proporción de Sharpe fuera de la muestra para las carteras largas y cortas ponderadas por el valor de los modelos profundos residuales (2.07) es mayor que la correspondiente para los modelos poco profundos (1.92) y más del doble que la de los modelos profundos (0.89).

Machine translation (Meta M2M100); the English original follows.

Abstract

Shallow models are special cases of deep models, and deep models theoretically have the potential to outperform the shallow ones. However, the existing empirical asset pricing literature provides strong benchmarks for shallow models. Residual learning allows neural network models in asset pricing to go deeper by preserving and refining their shallow counterparts. The out-of-sample Sharpe ratio for value-weighted long-short portfolios of deep residual models (2.07) is higher than that for the corresponding shallow ones (1.92) and more than twice that of the deep feedforward models (0.89). We sh

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Capital asset pricing model, Residual, Consumption-based capital asset pricing model, Asset (computer security), Arbitrage pricing theory, Econometrics

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange