Portfolioaufbau mit prognostizierten Residualfaktorverteilungen

Zusammenfassung

Diese Studie schlägt eine Methode für Aktienportfolios vor, die auf der Prognose der Verteilung von Residualfaktoren beruht. Diese erfassen Informationen jenseits gemeinsamer Marktexposures und können dazu beitragen, solche Exposures abzusichern. Beschrieben werden zwei Hauptkomponenten: eine recheneffiziente Methode zur Extraktion von Residualinformationen und eine neuronale Netzwerkarchitektur, die Amplituden- und Zeitskalierungsinvarianz einbezieht. Ziel ist laut Studie, maschinelles Lernen in nichtstationären Finanzmärkten mit weniger Stichproben effizienter und robuster zu machen.

Die Autoren prüfen den Ansatz anhand von Aktienmarktdaten aus den USA und Japan. Ablationsexperimente zeigen laut Bericht, dass jede der vorgeschlagenen Techniken zur Leistung der Handelsstrategie beiträgt. Das Dokument nennt weder Einzelheiten zum Portfolioaufbau noch den Prognosehorizont, Leistungskennzahlen oder Vergleiche mit bestimmten Benchmarks. Die Evidenz stützt daher die beschriebenen Komponenten in den berichteten Experimenten, doch die knappe Darstellung zeigt nicht, wie sich die Ergebnisse über Märkte oder Tradingkosten hinweg verallgemeinern lassen.

Kernaussagen

• Die Portfoliomethode prognostiziert Residualfaktorverteilungen, um Risiken jenseits gemeinsamer Marktexposures zu berücksichtigen.
• Eine recheneffiziente Extraktionsmethode erzeugt Residualinformationen für Prognosemodelle.
• Das neuronale Netzwerk bezieht Amplituden- und Zeitskalierungsinvarianz als finanzielle induktive Vorannahmen ein.
• Die Experimente verwenden Aktienmarktdaten aus den USA und Japan.
• Die Ablationsergebnisse deuten darauf hin, dass jede vorgeschlagene Technik zur Strategieleistung beiträgt.

Schlagwörter

# Deep Portfolio Optimization via Distributional Prediction of Residual Factors


# Deep Portfolio Optimization via Distributional Prediction of Residual Factors









Recent developments in deep learning techniques have motivated intensive research in machine learning-aided stock trading strategies. However, since the financial market has a highly non-stationary nature hindering the application of typical data-hungry machine learning methods, leveraging financial inductive biases is important to ensure better sample efficiency and robustness. In this study, we propose a novel method of constructing a portfolio based on predicting the distribution of a financial quantity called residual factors, which is known to be generally useful for hedging the risk exposure to common market factors. The key technical ingredients are twofold. First, we introduce a computationally efficient extraction method for the residual information, which can be easily combined with various prediction algorithms. Second, we propose a novel neural network architecture that allows us to incorporate widely acknowledged financial inductive biases such as amplitude invariance and time-scale invariance. We demonstrate the efficacy of our method on U.S. and Japanese stock market data. Through ablation experiments, we also verify that each individual technique contributes to improving the performance of trading strategies. We anticipate our techniques may have wide applications in various financial problems.

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.