Modelización del drift tras resultados con XGBoost optimizado mediante algoritmo genético

Resumen

El artículo aplica aprendizaje automático supervisado al drift posterior a los anuncios de resultados (PEAD), una anomalía bursátil en la que las rentabilidades siguen moviéndose tras las noticias sobre resultados. Su modelo utiliza XGBoost y variables fundamentales y técnicas diseñadas a partir de datos trimestrales de anuncios de 1,106 empresas del Russell 1000 entre 1997 y 2018. Se utiliza un algoritmo genético para optimizar el modelo. El análisis examina la dirección del drift y cómo varían sus factores entre sectores industriales y trimestres del calendario.

Los autores informan de que el modelo genera previsiones creíbles de la dirección del drift y puede clasificar acciones fuera de muestra en grupos largos y cortos con rentabilidades más favorables, lo que, según sugieren, podría respaldar el desarrollo de estrategias neutrales al mercado. También abordan una dificultad de implementación: los precios pueden moverse mientras se abre una operación basada en un evento, y el artículo presenta una táctica para reducir ese problema. La descripción no proporciona cifras de rendimiento, estimaciones de costes de transacción ni procedimientos detallados de validación, por lo que los resultados comunicados no demuestran rentabilidad neta ni persistencia.

Ideas clave

• El estudio utiliza XGBoost para pronosticar la dirección del drift posterior a los anuncios de resultados.
• Sus variables diseñadas combinan información fundamental y técnica en torno a los anuncios trimestrales.
• Un algoritmo genético optimiza el modelo, y el análisis abarca 1,106 empresas del Russell 1000 entre 1997 y 2018.
• Según los resultados, los factores que impulsan el drift varían por sector industrial y trimestre.
• La clasificación de acciones fuera de muestra y una táctica de entrada abordan la formación de carteras y los movimientos de precios, aunque no se proporcionan detalles sobre la rentabilidad.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.