Construcción de carteras con distribuciones previstas de factores residuales

Resumen

Este estudio propone un método para construir carteras de acciones a partir del pronóstico de la distribución de factores residuales, que captan información más allá de las exposiciones comunes al mercado y pueden ayudar a cubrirlas. Describe dos componentes principales: un método computacionalmente eficiente para extraer información residual y una arquitectura de red neuronal diseñada para incorporar invariancia de amplitud y escala temporal. El objetivo declarado es hacer que el aprendizaje automático requiera menos muestras y sea más robusto en mercados financieros no estacionarios.

Los autores evalúan el enfoque con datos de los mercados bursátiles de Estados Unidos y Japón e informan de que los experimentos de ablación detectan contribuciones de cada técnica propuesta al rendimiento de la estrategia de trading. El documento no detalla la construcción de la cartera, el horizonte del objetivo de predicción, las medidas de rendimiento ni las comparaciones con referencias concretas. Por tanto, la evidencia respalda los componentes descritos dentro de los experimentos comunicados, pero la breve descripción no demuestra que los resultados se generalicen entre mercados ni después de considerar los costes de trading.

Ideas clave

• El método de cartera pronostica las distribuciones de factores residuales para abordar el riesgo que va más allá de las exposiciones comunes al mercado.
• Un método de extracción computacionalmente eficiente obtiene información residual para los modelos de predicción.
• La red neuronal incorpora invariancia de amplitud y escala temporal como sesgos inductivos financieros.
• Los experimentos utilizan datos de los mercados bursátiles de Estados Unidos y Japón.
• Los resultados de ablación indican que cada técnica propuesta contribuye al rendimiento de la estrategia.

Etiquetas

# 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.

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.