Malitskaia, Yulia (2025) A Hierarchical State-Based Asset Pricing Model. École Doctorale Sciences de Gestion TSM (Toulouse).

Abstract

Puisant ses racines au milieu du XXe siècle, l’intelligence artificielle a récemment connu des progrès rapides qui ont motivé d’autres domaines à trouver des solutions innovantes pour résoudre des problèmes de longue date. Dans le domaine de l’évaluation des actifs, l’un de ces enjeux est le fossé important entre la théorie et les résultats empiriques, qui remonte à la découverte d’anomalies transversales et à l’introduction de l’orientation multifactorielle. La recherche présentée propose de combler cet écart en appliquant une combinaison originale de deux solutions interdépendantes : d’une part le formalisme fondé sur les états des applications modernes de l’intelligence artificielle et d’autre part l’approche de décomposition du gain explicatif inspirée de la stratégie diviser pour régner.Le manuscrit est organisé selon la structure classique comprenant trois essais cohérents. Le premier chapitre présente la justification et l’explication du modèle proposé et des solutions associées. D’un point de vue historique, le nouveau modèle prolonge l’approche d’Arrow-Debreu et propose de démystifier ses états de la nature abstraits à l’aide des états observables des actifs définis à partir des caractéristiques fondamentales et macroéconomiques. La deuxième solution, l’approche par décomposition, aborde la complexité de la tarification des actifs en divisant l’espace hétérogène en volumes multidimensionnels homogènes afin de construire une arborescence hiérarchique de modèles transparents. Le deuxième chapitre entame le développement de l’espace d’état des actifs. Conformément à la méthodologie de décomposition, l’analyse correspondante s’est déroulée en plusieurs étapes, en commençant par une analyse de l’importance des variables de rentabilité en tant que candidats principaux pour les variables d’état des actifs et en soulignant la rupture structurelle en forme de V dans leur relation avec les déciles valeur comptable / valeur de marché. En résumé, l’analyse empirique a porté le R2 des études existantes d’un chiffre à 50% et a introduit un modèle d’observation hiérarchique fondé sur les états appliqué au q de Tobin. Le troisième chapitre aborde l’explication de la faible corrélation (0,08) entre les facteurs de valeur et de rentabilité du modèle à cinq facteurs de Fama-French. L’analyse de la relation entre ces facteurs se situe à l’intersection de plusieurs thèmes de recherche et a donc un impact sur leur développement. L’étude présentée a identifié la source du problème lié à l’insuffisance de la relation entre la valeur comptable et la rentabilité opérationnelle et l’a résolue en appliquant le modèle d’observation fondé sur les états.Dans l’ensemble, la thèse a présenté une nouvelle approche pour le développement d’une théorie de l’évaluation des actifs fondée sur l’espace d’états hiérarchique des actifs. Cette approche est illustrée par une analyse en plusieurs étapes qui permet de résoudre la faible corrélation entre les facteurs de valeur et de rentabilité. En outre, le respect du formalisme fondé sur les états des applications modernes de l’intelligence artificielle établit un lien direct entre la théorie et l’analyse empirique, englobant des données multidimensionnelles et un ensemble croissant de techniques de science des données.

Stemming from the mid-20th century, the recent rapid progress of artificial intelligence has been bringing motivation and breakthrough solutions to other fields for solving their long-standing tasks. In the asset pricing domain, one of these tasks is represented by the severe gap between theory and empirics that goes back to the discovery of cross-sectional anomalies and the introduction of the multi-factor direction. The presented research proposes to bridge this gap by applying an original combination of two interconnected solutions: the state-based formalism of modern artificial intelligence applications and the explanatory gain decomposition approach inspired by the divide-and-conquer strategy.The manuscript is organized according to the classical structure encompassing three coherent essays. The first chapter provides the rationale and explanation of the proposed model and associated solutions. From the historical perspective, the new model extends the Arrow-Debreu direction and proposes to demystify its abstract state of nature with the observable states of assets formed on fundamental and macroeconomic characteristics. The second solution, decomposition approach, tackles the complexity of asset pricing by dividing the heterogeneous space on homogeneous multi-dimensional volumes for building a hierarchical tree of transparent models. The second chapter begjns the development of the comprehensive state space of assets. In accordance with the decomposition methodology, the corresponding analysis proceeded with a sequence of steps, beginning with a feature importance analysis of profitability characteristics as primary candidates for asset state variables and highlighting the V-shape structural break in their relationship with book-to-market deciles. In summary, the empirical analysis advanced the R2 of the existing studies from single digits up towards 50% and introduced a hierarchical state-based observation model of Tobin’s q. The third chapter dives into the explanation of the low correlation (0.08) between the value and profitability factors of the Fama-French five-factor model. Analysis of the relationship between these factors is located at the intersection of several research themes and thus impacts their development. The presented study identified the source of the issue associated with the shortcoming in relationship between book-to-market and operating profitability and resolved it by applying the state-based observation model.Overall, the thesis introduced the new direction towards the development of the comprehensive asset pricing theory based on the hierarchical state space of assets. The direction is demonstrated with a multi-step analysis subsequently resolving the low correlation between the value and profitability factors. Furthermore, adherence to the state-based formalism of modern artificial intelligence applications establishes a direct link between theory and empirics encompassing multi-dimensional data and growing stack of data science techniques.