ساخت سبد بر پایه توزیع‌های پیش‌بینی‌شده عوامل باقیمانده

خلاصه

این پژوهش روشی برای سبد سهام پیشنهاد می‌کند که بر پیش‌بینی توزیع عوامل باقیمانده تکیه دارد؛ عواملی که اطلاعاتی فراتر از مواجهه‌های مشترک بازار دربر دارند و می‌توانند به پوشش ریسک آن مواجهه‌ها کمک کنند. دو مؤلفه اصلی شرح داده می‌شود: روشی با محاسبات کارآمد برای استخراج اطلاعات باقیمانده و معماری شبکه عصبی‌ای که برای درنظرگرفتن ناوردایی نسبت به دامنه و مقیاس زمانی طراحی شده است. انگیزه اعلام‌شده، کارآمدترکردن یادگیری ماشین از نظر نیاز به نمونه و مقاوم‌ترکردن آن در بازارهای مالی ناایستا است.

نویسندگان رویکرد را با داده‌های بازار سهام آمریکا و ژاپن ارزیابی می‌کنند و گزارش می‌دهند که آزمایش‌های حذف مؤلفه‌ها، سهم هر یک از روش‌های پیشنهادی را در عملکرد استراتژی معاملاتی نشان می‌دهند. سند جزئیات ساخت سبد، افق هدف پیش‌بینی، سنجه‌های عملکرد یا مقایسه با معیارهای مبنای مشخص را ارائه نمی‌کند. بنابراین شواهد از مؤلفه‌های توصیف‌شده در آزمایش‌های گزارش‌شده پشتیبانی می‌کنند، اما این روایت کوتاه نشان نمی‌دهد نتایج تا چه حد در بازارهای گوناگون یا پس از هزینه‌های معامله تعمیم می‌یابند.

ایده‌های کلیدی

• روش سبد، توزیع عوامل باقیمانده را پیش‌بینی می‌کند تا به ریسک فراتر از مواجهه‌های مشترک بازار بپردازد.
• روشی با محاسبات کارآمد برای استخراج اطلاعات باقیمانده، داده ورودی مدل‌های پیش‌بینی را فراهم می‌کند.
• شبکه عصبی ناوردایی نسبت به دامنه و مقیاس زمانی را به‌عنوان سوگیری‌های استقرایی مالی در نظر می‌گیرد.
• آزمایش‌ها از داده‌های بازار سهام آمریکا و ژاپن استفاده می‌کنند.
• نتایج حذف مؤلفه‌ها نشان می‌دهند هر یک از روش‌های پیشنهادی در عملکرد استراتژی سهم دارند.

برچسب‌ها

# 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.

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.