SimStock: aprendizaje de similitudes bursátiles con series financieras

Resumen

Este estudio presenta SimStock, un marco para identificar acciones similares a partir del comportamiento de sus series temporales, en lugar de depender únicamente de las etiquetas sectoriales o regionales habituales. Combina aprendizaje autosupervisado con generalización temporal de dominio para crear representaciones que sigan siendo útiles cuando cambien las condiciones del mercado. La motivación es que puede ser difícil clasificar las relaciones entre acciones cuando los mercados no son estacionarios y las categorías habituales no captan su dinámica.

Los autores evalúan el enfoque con cuatro conjuntos de datos del mundo real que abarcan miles de acciones e informan de que supera a los métodos de similitud existentes. También aplican las similitudes aprendidas al trading por pares, al seguimiento de índices y a la optimización de carteras, y comunican un rendimiento superior al de los enfoques convencionales. El resumen no especifica la composición de los conjuntos de datos, los detalles de los referentes, los periodos de evaluación ni las pruebas de robustez; por tanto, los resultados deben interpretarse dentro del alcance de esos experimentos y no como garantía del rendimiento futuro de las inversiones.

Ideas clave

• SimStock aprende representaciones de acciones a partir de datos temporales, en lugar de depender únicamente de etiquetas sectoriales y regionales.
• El marco combina aprendizaje autosupervisado con generalización temporal de dominio para abordar los cambios en el comportamiento del mercado.
• El estudio prueba el método con cuatro conjuntos de datos que contienen miles de acciones e informa de mejores resultados de similitud que los métodos existentes.
• Entre las aplicaciones figuran el trading por pares, el seguimiento de índices y la optimización de carteras.
• La descripción omite detalles sobre los referentes y la robustez, lo que limita la evaluación de su generalización a otros contextos.

Etiquetas

# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management


# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management









In the era of rapid globalization and digitalization, accurate identification of similar stocks has become increasingly challenging due to the non-stationary nature of financial markets and the ambiguity in conventional regional and sector classifications. To address these challenges, we examine SimStock, a novel temporal self-supervised learning framework that combines techniques from self-supervised learning (SSL) and temporal domain generalization to learn robust and informative representations of financial time series data. The primary focus of our study is to understand the similarities between stocks from a broader perspective, considering the complex dynamics of the global financial landscape. We conduct extensive experiments on four real-world datasets with thousands of stocks and demonstrate the effectiveness of SimStock in finding similar stocks, outperforming existing methods. The practical utility of SimStock is showcased through its application to various investment strategies, such as pairs trading, index tracking, and portfolio optimization, where it leads to superior performance compared to conventional methods. Our findings empirically examine the potential of data-driven approach to enhance investment decision-making and risk management practices by leveraging the power of temporal self-supervised learning in the face of the ever-changing global financial landscape.

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.