SimStock : apprendre les similitudes entre actions à partir de séries financières

Résumé

Cette étude présente SimStock, un cadre permettant d’identifier des actions similaires à partir de leur comportement en séries temporelles, plutôt que de s’appuyer uniquement sur les classifications sectorielles ou régionales habituelles. Il combine apprentissage auto-supervisé et généralisation temporelle de domaine afin de créer des représentations censées rester utiles lorsque les conditions de marché évoluent. L’étude part du constat que les relations entre actions peuvent être difficiles à classer lorsque les marchés sont non stationnaires et que les catégories habituelles ne rendent pas compte de leur dynamique.

Les auteurs évaluent cette approche sur quatre jeux de données réels couvrant des milliers d’actions et indiquent qu’elle surpasse les méthodes de similarité existantes. Ils appliquent également les similarités apprises au trading par paires, au suivi d’indice et à l’optimisation de portefeuille, avec de meilleures performances que les approches conventionnelles. Le résumé ne précise ni la composition des jeux de données, ni les détails des références de comparaison, ni les périodes d’évaluation ou les tests de robustesse ; les résultats rapportés doivent donc être interprétés dans le cadre de ces expériences et non comme une garantie de performance future des investissements.

Idées clés

• SimStock apprend des représentations des actions à partir de données temporelles, au lieu de s’appuyer uniquement sur les classifications sectorielles et régionales.
• Le cadre combine apprentissage auto-supervisé et généralisation temporelle de domaine pour tenir compte de l’évolution des marchés.
• L’étude teste la méthode sur quatre jeux de données comprenant des milliers d’actions et rapporte de meilleurs résultats de similarité que les méthodes existantes.
• Les applications comprennent le trading par paires, le suivi d’indice et l’optimisation de portefeuille.
• La description omet les détails des comparaisons et de la robustesse, ce qui limite l’évaluation de la généralisation à d’autres contextes.

Étiquettes

# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management


# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management









In the era of rapid globalization and digitalization, accurate identification of similar stocks has become increasingly challenging due to the non-stationary nature of financial markets and the ambiguity in conventional regional and sector classifications. To address these challenges, we examine SimStock, a novel temporal self-supervised learning framework that combines techniques from self-supervised learning (SSL) and temporal domain generalization to learn robust and informative representations of financial time series data. The primary focus of our study is to understand the similarities between stocks from a broader perspective, considering the complex dynamics of the global financial landscape. We conduct extensive experiments on four real-world datasets with thousands of stocks and demonstrate the effectiveness of SimStock in finding similar stocks, outperforming existing methods. The practical utility of SimStock is showcased through its application to various investment strategies, such as pairs trading, index tracking, and portfolio optimization, where it leads to superior performance compared to conventional methods. Our findings empirically examine the potential of data-driven approach to enhance investment decision-making and risk management practices by leveraging the power of temporal self-supervised learning in the face of the ever-changing global financial landscape.

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.