Online-Early-Stopping für zeitvariable Aktienrenditeprognosen

Zusammenfassung

Dieses Dokument untersucht neuronale Netzprognosen, wenn sich der Zusammenhang zwischen Eingaben und Renditen im Zeitverlauf verändert. Es schlägt Online-Early-Stopping vor, ein Trainingsverfahren, mit dem das Modell einer sich verändernden Funktion folgen soll, ohne dass im Voraus bekannt sein muss, wie sie sich verändert. Die Studie vergleicht das Verfahren mit bestehenden Ansätzen zur monatlichen Prognose von US-Aktienrenditen und berichtet eine bessere Prognoseleistung.

Die Analyse findet außerdem, dass sich der Prognosewert bekannter Faktoren wie Größe und Momentum sowie von Branchenindikatoren im Zeitverlauf verändert. In Marktstressphasen gewinnen Brancheninformationen gegenüber unternehmensspezifischen Merkmalen an Bedeutung. Das Dokument nennt im vorliegenden Text weder konkrete Leistungskennzahlen noch Modelldetails oder Definitionen der Stressphasen. Daher lassen sich die berichtete Überlegenheit und die veränderte Bedeutung der Merkmale anhand dieser Zusammenfassung allein nicht unabhängig beurteilen. Die Ergebnisse legen nahe, dass feste Trainingsentscheidungen und stabile Interpretationen von Prognosefaktoren unzuverlässig sein können, wenn sich Marktbeziehungen verschieben.

Kernaussagen

• Online-Early-Stopping soll neuronalen Netzen helfen, sich an veränderte Renditebeziehungen anzupassen.
• Der Ansatz wird mit bestehenden Methoden zur monatlichen Prognose von US-Aktienrenditen verglichen und soll besser abschneiden.
• Die Prognosestärke von Größe, Momentum und Branchenindikatoren verändert sich im Zeitverlauf.
• In Marktkrisen gewinnen Branchenindikatoren relativ an Bedeutung, während unternehmensspezifische Merkmale an Bedeutung verlieren.

Schlagwörter

# Time-varying neural network for stock return prediction


# Time-varying neural network for stock return prediction









We consider the problem of neural network training in a time-varying context. Machine learning algorithms have excelled in problems that do not change over time. However, problems encountered in financial markets are often time-varying. We propose the online early stopping algorithm and show that a neural network trained using this algorithm can track a function changing with unknown dynamics. We compare the proposed algorithm to current approaches on predicting monthly U.S. stock returns and show its superiority. We also show that prominent factors (such as the size and momentum effects) and industry indicators, exhibit time varying stock return predictiveness. We find that during market distress, industry indicators experience an increase in importance at the expense of firm level features. This indicates that industries play a role in explaining stock returns during periods of heightened risk.

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.