Detención temprana online para pronosticar rendimientos bursátiles cambiantes

Resumen

Este documento estudia la predicción con redes neuronales cuando la relación entre las entradas y los rendimientos cambia con el tiempo. Propone la detención temprana online, un método de entrenamiento pensado para que el modelo siga una función cambiante sin necesidad de conocer de antemano cómo cambia. El artículo compara este método con otros existentes para pronosticar rendimientos mensuales de acciones estadounidenses e informa de un mejor rendimiento predictivo.

El análisis también encuentra que el valor predictivo de factores conocidos, como el tamaño y el momentum, y de los indicadores sectoriales varía con el tiempo. Durante las tensiones del mercado, la información sectorial cobra más importancia en relación con las características de cada empresa. El texto proporcionado no incluye métricas concretas de rendimiento, detalles del modelo ni definiciones de los periodos de tensión, por lo que este resumen no permite evaluar de forma independiente la superioridad informada ni los cambios en la importancia de las características. Los resultados sugieren que las decisiones de entrenamiento fijas y las interpretaciones estables de los predictores pueden no ser fiables cuando cambian las relaciones del mercado.

Ideas clave

• Se propone la detención temprana online para ayudar a las redes neuronales a adaptarse a relaciones cambiantes entre rendimientos.
• El método se compara con enfoques existentes para pronosticar rendimientos mensuales de acciones estadounidenses y, según el artículo, obtiene mejores resultados.
• La capacidad predictiva del tamaño, el momentum y los indicadores sectoriales varía con el tiempo.
• Durante las tensiones del mercado, los indicadores sectoriales ganan importancia relativa y las características de las empresas la pierden.

Etiquetas

# 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.

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.