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

French

Les modèles Shallow sont des cas spéciaux de modèles profonds, et les modèles profonds ont théoriquement le potentiel de surpasser les modèles superficiels. Cependant, la littérature de prix des actifs empiriques existante fournit de solides critères de référence pour les modèles superficiels. L'apprentissage résiduel permet aux modèles de réseaux neuronaux dans le prix des actifs d'aller plus loin en préservant et en raffinant leurs homologues superficiels. Le ratio Sharpe hors échantillon pour les portefeuilles longs courts pondérés de modèles superficiels (2.07) est plus élevé que celui des modèles superficiels correspondants (1,92) et plus que deux fois celui des modèles deep feed forward (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