StockGPT: Autoregressive Renditemodellierung für Aktienportfolios

Zusammenfassung

StockGPT behandelt tägliche Aktienrenditen als Folgen numerischer Tokens und trainiert ein autoregressives Modell, um künftige Renditen vorherzusagen. Der Aufmerksamkeitsmechanismus soll zeitliche Muster direkt aus Renditeverläufen lernen, sodass herkömmliche preisbasierte Signale nicht von Hand festgelegt werden müssen. Die Arbeit bewertet die Prognosen anhand von Long-Short-Portfolios, die täglich oder monatlich neu gewichtet werden.

Die berichtete Auswertung verwendet einen zurückgehaltenen Zeitraum und zeigt, dass Portfolios auf Basis des Modells Momentum sowie Umkehreffekte bei kurzen und langen Horizonten erfassen. Die Autoren berichten außerdem statistisch signifikante Alphas gegenüber führenden Aktienmarktfaktoren. Diese Ergebnisse legen nahe, dass das Modell Renditemuster über die ausgewählten Vergleichsmaßstäbe hinaus erfassen könnte. Die bereitgestellte Beschreibung enthält keine Details zur Portfoliokonstruktion, risikobereinigten Leistungskennzahlen oder Transaktionskosten und nennt keine Tests über die angegebene Stichprobe hinaus. Sie belegt daher nicht, wie der Ansatz in anderen Zeiträumen oder nach Umsetzungskosten abschneiden würde.

Kernaussagen

• StockGPT modelliert Aktienrenditen als Tokenfolgen in einer autoregressiven Prognoseaufgabe.
• Sein Aufmerksamkeitsmechanismus lernt Muster aus Renditeverläufen, ohne dass Preissignale von Hand entwickelt werden müssen.
• Long-Short-Portfolios auf Grundlage der Prognosen werden bei täglicher und monatlicher Neugewichtung getestet.
• Die Arbeit berichtet von Exposition gegenüber Momentum- und Umkehrmustern sowie signifikanten faktorenbereinigten Alphas.

Schlagwörter

# StockGPT: A GenAI Model for Stock Prediction and Trading


# StockGPT: A GenAI Model for Stock Prediction and Trading









This paper introduces StockGPT, an autoregressive ``number'' model trained and tested on 70 million daily U.S.\ stock returns over nearly 100 years. Treating each return series as a sequence of tokens, StockGPT automatically learns the hidden patterns predictive of future returns via its attention mechanism. On a held-out test sample from 2001 to 2023, daily and monthly rebalanced long-short portfolios formed from StockGPT predictions yield strong performance. The StockGPT-based portfolios span momentum and long-/short-term reversals, eliminating the need for manually crafted price-based strategies, and yield highly significant alphas against leading stock market factors, suggesting a novel AI pricing effect. This highlights the immense promise of generative AI in surpassing human in making complex financial investment decisions.

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.