Modern finance relies heavily on complex machine learning models to find patterns in the stock market. However, as these AI models get more complicated, they often memorize short-term market noise instead of finding companies with real, lasting value. We designed this research to test if Benjamin Graham's classic value investing rules could act as a mathematical "low-pass filter" to keep these modern models in check. We built three different sets of features - pure Graham rules, modern market factors, and a mix of both - and tested them against highly complex models (XGBoost and AutoGluon) using 20 years of S&P 500 data. By applying a strict buy-and-hold strategy over a four-year test period (March 2022 to March 2026), the results showed that more complex algorithms do not always win. While the AutoGluon model captured high returns (222.68%), it suffered a substantial 39.78% drop because it bought volatile tech stocks right before the market crashed. On the other hand, the pure Graham Random Forest achieved the highest overall return (232.13%) with much less risk (1.38 Calmar Ratio). Furthermore, the Combined Random Forest successfully mixed momentum with Graham's rules, making a 202.91% return while keeping the lowest maximum drop (34.53%) of any model tested. Ultimately, this research proves that Graham's "margin of safety" isn't outdated; it is actually a highly effective way to prevent modern AI from taking on too much risk.
요인 모델(factor models)은 저계수 신호를 추출하고 공분산을 추정하기 위해 고차원 데이터를 분석하는 대중적인 접근법입니다. 이들은 공분산 행렬을 저계수 성분과 대각 성분의 합으로 분해합니다. 핵심 문제는 잠재 차원(latent dimension) $k$를 선택하는 방법으로, 이는 요인 모델이 근사적으로만 성립하고 신호 대 잡음 비율이 낮은 시나리오에서 특히 어렵습니다. 베이지안 과적합 요인 모델은 $k$에 대한 상한을 지정하고, 불필요한 성분을 효과적으로 제거하기 위해 구조화된 수축 사전분포(shrinkage priors)에 의존합니다. 이러한 접근법들은 대중적이고 효과적이지만 계산 비용이 많이 듭니다. 우리는 잠재 요인의 스펙트럼 추정과 주요 하이퍼파라미터의 적응형 경험적 베이지안(empirical Bayes) 보정을 기반으로, 타당한 불확실성 정량화(uncertainty quantification)를 제공하는 훨씬 빠른 \texttt{EigenBayes} 접근법을 제안합니다. 결과적으로 도출된 사후 분포(posterior distribution)는 결과(outcomes) 간에 인수분해되며 해석적으로 다루기 쉬워 마르코프 연쇄 몬테카를로(Markov chain Monte Carlo)를 우회할 수 있습니다. 우리는 \texttt{EigenBayes}가 각 결과와 잠재 차원의 신호 대 잡음 비율에 적응하면서, 불필요한 잠재 성분을 0으로 수축시킴을 보입니다. 우리는 유리한 점근적 성질(asymptotic properties)을 확립하고 수치 실험 및 유전체학 응용에서 강력한 실증적 성능을 입증하며, 여기서 EigenBayes는 최신 수준의 대안들(state-of-the-art alternatives)보다 우수한 성능을 보입니다.
다중 원인 관찰 연구는 원인 간의 의존 구조를 통해 측정되지 않은 교란에 대한 정보를 포함합니다. 그러나 관측되지 않은 교란 변수를 문자 그대로 대체하는 것은 안정적인 인과 조정에 필요한 공유 할당 변동을 보존하는 저차원 대리 점수를 학습하는 것보다 종종 더 복잡합니다. 디컨파운더(Wang and Blei, 2019) 및 관련 대리 교란 변수 방법은 이 아이디어를 활용하지만, 유연한 할당 모델은 원인들의 결합 분포를 적합시킬 수 있음에도 불구하고 처리 벡터를 과도하게 인코딩하거나, 중첩을 붕괴시키거나, 단일 원인 변동을 포착하는 점수를 생성할 수 있습니다. 우리는 수축 사전 분포를 사용하여 대략적인 다중 원인 의존성을 유지하는 희소 대리 교란 변수를 학습하기 위한 베이지안 요인 할당 프레임워크를 개발합니다. 이 이론은 사후 분포 집중, 요인 점수 수축, 중첩 보존 할당 기하학의 수준에서 서술되므로 특정 수축 사전 분포에 의존하지 않습니다. 이러한 조건 하에서, 제안된 회귀 조정 추정량은 해당 잠재 변수 식별 가정이 충족될 때 평균 잠재 결과에 대해 일치성을 가집니다. 수축 사전 분포는 잠재 구조 학습을 위한 자연스러운 도구를 제공합니다. 이는 다중 원인에 의해 지지되는 저차원 요인을 선호하고, 실질적으로 단일 원인 요인을 억제하며, 점진적 수축을 통해 잠재 요인의 순서를 유도합니다. 합성 실험은 신호 강도, 결과 타당성, 기하학 인식 정규화의 역할을 설명합니다. 알츠하이머병 신경영상 이니셔티브(ADNI) 기준선 분석에서, 희소 대리 점수는 침습적 뇌척수액 바이오마커에 직접 조건화하여 얻은 조정의 대부분을 회복하는 반면, 붕괴 진단은 적합된 요인이 개별 관측 측정값으로 축소되는 시점을 식별합니다.