Construire un portefeuille à partir des distributions prédites de facteurs résiduels

Résumé

Cette étude propose une méthode de portefeuille d’actions fondée sur la prévision de la distribution de facteurs résiduels, qui capturent des informations au-delà des expositions communes au marché et peuvent contribuer à couvrir ces expositions. Elle décrit deux éléments principaux : une méthode de calcul efficace pour extraire l’information résiduelle et une architecture de réseau neuronal conçue pour intégrer l’invariance d’amplitude et d’échelle temporelle. L’objectif déclaré est d’améliorer l’efficacité en données et la robustesse de l’apprentissage automatique sur des marchés financiers non stationnaires.

Les auteurs évaluent l’approche sur des données des marchés boursiers américain et japonais et rapportent que des expériences d’ablation révèlent une contribution de chacune des techniques proposées à la performance de la stratégie de trading. Le document ne précise ni les détails de construction du portefeuille, ni l’horizon de la variable à prédire, ni les mesures de performance, ni les comparaisons avec des références spécifiques. Les éléments présentés étayent donc les composants décrits dans les expériences rapportées, mais ce résumé ne permet pas d’établir la généralisation des résultats à d’autres marchés ou après prise en compte des coûts de trading.

Idées clés

• La méthode de portefeuille prédit les distributions de facteurs résiduels pour prendre en compte le risque au-delà des expositions communes au marché.
• Une méthode d’extraction efficace en calcul fournit des informations résiduelles aux modèles de prévision.
• Le réseau neuronal intègre l’invariance d’amplitude et d’échelle temporelle comme biais inductifs financiers.
• Les expériences utilisent des données des marchés boursiers américain et japonais.
• Les résultats des ablations indiquent que chacune des techniques proposées contribue à la performance de la stratégie.

Étiquettes

# 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.

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.