Arrêt anticipé en ligne pour prévoir les rendements boursiers variables dans le temps

Résumé

Ce document étudie les prévisions par réseau neuronal lorsque la relation entre les variables d’entrée et les rendements évolue dans le temps. Il propose un arrêt anticipé en ligne, une méthode d’entraînement destinée à permettre au modèle de suivre une fonction évolutive sans qu’il soit nécessaire de savoir à l’avance comment elle change. L’article compare cette méthode aux approches existantes pour prévoir les rendements mensuels des actions américaines et fait état d’une meilleure performance prédictive.

L’analyse constate également que la valeur prédictive de facteurs connus, notamment la taille et le momentum, ainsi que des indicateurs sectoriels, varie dans le temps. En période de tension sur les marchés, les informations sectorielles gagnent en importance par rapport aux caractéristiques propres aux entreprises. Le texte fourni ne précise ni les mesures de performance, ni les détails du modèle, ni la définition des périodes de tension ; la supériorité rapportée et l’évolution de l’importance des variables ne peuvent donc pas être évaluées indépendamment à partir de ce seul résumé. Les résultats suggèrent que des choix d’entraînement fixes et des interprétations stables des prédicteurs peuvent être peu fiables lorsque les relations de marché évoluent.

Idées clés

• L’arrêt anticipé en ligne est proposé pour aider les réseaux neuronaux à s’adapter à l’évolution des relations entre rendements.
• L’approche est comparée aux méthodes existantes de prévision des rendements mensuels des actions américaines et serait plus performante.
• La force prédictive de la taille, du momentum et des indicateurs sectoriels varie au fil du temps.
• En période de tension sur les marchés, les indicateurs sectoriels gagnent en importance relative tandis que les caractéristiques propres aux entreprises en perdent.

Étiquettes

# 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.

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.