Dérive post-résultats modélisée par XGBoost optimisé par algorithme génétique

Résumé

L’article applique l’apprentissage automatique supervisé au drift après publication des résultats (PEAD), une anomalie boursière où les rendements continuent d’évoluer après les annonces de résultats. Son modèle utilise XGBoost et des caractéristiques fondamentales et techniques élaborées à partir des données trimestrielles d’annonces de 1,106 sociétés du Russell 1000, de 1997 à 2018. Un algorithme génétique sert à optimiser le modèle. L’analyse porte sur le sens du drift et sur la variation de ses facteurs selon les secteurs industriels et les trimestres calendaires.

Les auteurs rapportent que le modèle produit des prévisions crédibles du sens du drift et peut répartir les actions hors échantillon entre des groupes acheteurs et vendeurs aux rendements plus favorables ; ils suggèrent que cela pourrait contribuer à élaborer une stratégie neutre au marché. Ils abordent aussi une difficulté de mise en œuvre : les cours peuvent évoluer pendant l’exécution d’une opération déclenchée par un événement, et l’article présente une méthode visant à réduire ce problème. La description ne fournit ni chiffres de performance, ni estimations des coûts de transaction, ni procédures détaillées de validation ; les résultats rapportés n’établissent donc ni une rentabilité nette ni sa persistance.

Idées clés

• L’étude utilise XGBoost pour prévoir le sens du drift après publication des résultats.
• Les caractéristiques élaborées combinent des informations fondamentales et techniques autour des annonces trimestrielles.
• Un algorithme génétique optimise le modèle, et l’analyse porte sur 1,106 sociétés du Russell 1000 de 1997 à 2018.
• Les facteurs de drift rapportés varient selon le secteur industriel et le trimestre.
• Le classement des actions hors échantillon et une méthode d’entrée répondent aux questions de constitution du portefeuille et d’évolution des cours, mais les détails de rentabilité ne sont pas fournis.

Étiquettes

# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning


# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning









While Post-Earnings-Announcement Drift (PEAD) is one of the most studied stock market anomalies, the current literature is often limited in explaining this phenomenon by a small number of factors using simpler regression methods. In this paper, we use a machine learning based approach instead, and aim to capture the PEAD dynamics using data from a large group of stocks and a wide range of both fundamental and technical factors. Our model is built around the Extreme Gradient Boosting (XGBoost) and uses a long list of engineered input features based on quarterly financial announcement data from 1,106 companies in the Russell 1000 index between 1997 and 2018. We perform numerous experiments on PEAD predictions and analysis and have the following contributions to the literature. First, we show how Post-Earnings-Announcement Drift can be analysed using machine learning methods and demonstrate such methods' prowess in producing credible forecasting on the drift direction. It is the first time PEAD dynamics are studied using XGBoost. We show that the drift direction is in fact driven by different factors for stocks from different industrial sectors and in different quarters and XGBoost is effective in understanding the changing drivers. Second, we show that an XGBoost well optimised by a Genetic Algorithm can help allocate out-of-sample stocks to form portfolios with higher positive returns to long and portfolios with lower negative returns to short, a finding that could be adopted in the process of developing market neutral strategies. Third, we show how theoretical event-driven stock strategies have to grapple with ever changing market prices in reality, reducing their effectiveness. We present a tactic to remedy the difficulty of buying into a moving market when dealing with PEAD signals.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.