توقف زودهنگام برخط برای پیش‌بینی بازده سهام متغیر در زمان
خلاصه
این سند پیش‌بینی شبکه عصبی را زمانی بررسی می‌کند که رابطه میان ورودی‌ها و بازده‌ها در طول زمان تغییر می‌کند. توقف زودهنگام برخط را پیشنهاد می‌دهد؛ روشی برای آموزش که قرار است به مدل کمک کند تابعی در حال تحول را دنبال کند، بی‌آنکه از پیش بداند آن تابع چگونه تغییر می‌کند. مقاله این روش را با رویکردهای موجود در پیش‌بینی بازده ماهانه سهام آمریکا مقایسه می‌کند و عملکرد پیش‌بینی بهتر را گزارش می‌دهد.
تحلیل همچنین نشان می‌دهد ارزش پیش‌بینی‌کننده عوامل آشنایی مانند اندازه و مومنتوم و نیز شاخص‌های صنعت در طول زمان تغییر می‌کند. هنگام تنش بازار، اطلاعات صنعت در مقایسه با ویژگی‌های مختص شرکت اهمیت بیشتری می‌یابد. متن ارائه‌شده معیارهای عملکرد مشخص، جزئیات مدل یا تعریف دوره‌های تنش را بیان نمی‌کند؛ بنابراین برتری گزارش‌شده و تغییر اهمیت ویژگی‌ها را نمی‌توان تنها بر اساس این خلاصه مستقلاً ارزیابی کرد. یافته‌ها نشان می‌دهند که انتخاب‌های آموزشی ثابت و تفسیرهای پایدار از پیش‌بین‌ها ممکن است هنگام تغییر روابط بازار قابل اتکا نباشند.
ایده‌های کلیدی
- توقف زودهنگام برخط پیشنهاد می‌شود تا شبکه‌های عصبی با تغییر روابط بازده سازگار شوند.
- این روش با روش‌های موجود برای پیش‌بینی بازده ماهانه سهام آمریکا مقایسه شده و عملکرد بهتر آن گزارش شده است.
- قدرت پیش‌بینی اندازه، مومنتوم و شاخص‌های صنعت در طول زمان تغییر می‌کند.
- در دوره تنش بازار، اهمیت نسبی شاخص‌های صنعت افزایش و اهمیت ویژگی‌های سطح شرکت کاهش می‌یابد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.