Drift nach Gewinnmitteilungen mit genetisch optimiertem XGBoost modellieren

Zusammenfassung

Die Arbeit wendet überwachtes maschinelles Lernen auf den Drift nach Gewinnmitteilungen (PEAD) an, eine Aktienanomalie, bei der sich Renditen nach Gewinnmeldungen weiter bewegen. Das Modell nutzt XGBoost und entwickelte fundamentale sowie technische Merkmale auf Basis vierteljährlicher Meldungsdaten für 1,106 Unternehmen des Russell 1000 von 1997 bis 2018. Ein genetischer Algorithmus optimiert das Modell. Die Analyse untersucht die Driftrichtung und wie sich ihre Einflussfaktoren zwischen Branchen und Kalenderquartalen unterscheiden.

Die Autoren berichten, dass das Modell glaubwürdige Prognosen der Driftrichtung erstellt und Aktien außerhalb der Stichprobe in Long- und Short-Gruppen mit günstigeren Renditen einteilen kann. Ihrer Einschätzung nach könnte dies die Entwicklung marktneutraler Strategien unterstützen. Sie behandeln auch eine Herausforderung bei der Umsetzung: Während ein ereignisgesteuerter Trade eingegangen wird, können sich die Kurse bereits bewegen. Die Arbeit stellt eine Taktik vor, die dieses Problem verringern soll. Die Beschreibung enthält weder Leistungskennzahlen noch Schätzungen der Transaktionskosten oder detaillierte Validierungsverfahren. Die berichteten Ergebnisse belegen daher weder Nettoprofitabilität noch deren Beständigkeit.

Kernaussagen

• Die Studie nutzt XGBoost, um die Richtung des Drifts nach Gewinnmitteilungen vorherzusagen.
• Die entwickelten Merkmale verbinden fundamentale und technische Informationen rund um vierteljährliche Gewinnmitteilungen.
• Ein genetischer Algorithmus optimiert das Modell; die Analyse umfasst 1,106 Unternehmen des Russell 1000 von 1997 bis 2018.
• Die berichteten Einflussfaktoren des Drifts unterscheiden sich je nach Branche und Quartal.
• Die Einteilung von Aktien außerhalb der Stichprobe und eine Taktik für den Einstieg behandeln Portfolioaufbau und Kursbewegungen; Angaben zur Profitabilität fehlen jedoch.

Schlagwörter

# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning


# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning









While Post-Earnings-Announcement Drift (PEAD) is one of the most studied stock market anomalies, the current literature is often limited in explaining this phenomenon by a small number of factors using simpler regression methods. In this paper, we use a machine learning based approach instead, and aim to capture the PEAD dynamics using data from a large group of stocks and a wide range of both fundamental and technical factors. Our model is built around the Extreme Gradient Boosting (XGBoost) and uses a long list of engineered input features based on quarterly financial announcement data from 1,106 companies in the Russell 1000 index between 1997 and 2018. We perform numerous experiments on PEAD predictions and analysis and have the following contributions to the literature. First, we show how Post-Earnings-Announcement Drift can be analysed using machine learning methods and demonstrate such methods' prowess in producing credible forecasting on the drift direction. It is the first time PEAD dynamics are studied using XGBoost. We show that the drift direction is in fact driven by different factors for stocks from different industrial sectors and in different quarters and XGBoost is effective in understanding the changing drivers. Second, we show that an XGBoost well optimised by a Genetic Algorithm can help allocate out-of-sample stocks to form portfolios with higher positive returns to long and portfolios with lower negative returns to short, a finding that could be adopted in the process of developing market neutral strategies. Third, we show how theoretical event-driven stock strategies have to grapple with ever changing market prices in reality, reducing their effectiveness. We present a tactic to remedy the difficulty of buying into a moving market when dealing with PEAD signals.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.