次元削減の代表的な手法であるPCAは、N系列のリターンの 線形結合によりK（<<N）系列のファクターを生成する手法。 上記の手法では資産間の非線形な関係性を捕捉することができない。

一方で、深層学習の手法で代表的な次元削減の手法である オートエンコーダ（AE）を使用すると、リターン同士の非線形な関係性を 捕捉したファクターモデルを構築することができる。

本稿では、AEを用いたファクターモデルを構築した。 AEを含むニューラルネットワークは、特徴量の選択に柔軟という長所を有する。 本稿では、株式の経済データを使用してベータの非線形な共変動をモデル化した。 一方でファクターの構成については解釈性を優先させ、一層の全結合層と線形の 活性化関数を使用した。

長期・大規模な米国株式の月次データを用いた検証の結果、 本稿で提示したAEによるファクターモデルはアウトオブサンプルの説明力に おいてPCAやFFモデルを上回ることが確認された。

TOPIX CORE30とLARGE70の日次終値を用いて簡単な再現分析を実施。 比較対象は単純なPCA。 2011/1～2019/12のデータを用いた分析の結果、AEとPCAでほぼ同程度のR^2を確認。

以降の課題は以下の通り。 ①ファクターの解釈 ②経済データの利用 ③モデル・データの修正変更