StockGPT : modéliser les rendements boursiers pour les portefeuilles

Résumé

StockGPT traite les rendements boursiers quotidiens comme des séquences de jetons numériques et entraîne un modèle autorégressif pour prévoir les rendements futurs. Son mécanisme d’attention vise à apprendre directement les motifs temporels à partir des historiques de rendement, sans devoir définir manuellement des signaux classiques fondés sur les prix. L’article évalue les prévisions au moyen de portefeuilles long-short rééquilibrés quotidiennement ou mensuellement.

L’évaluation rapportée utilise une période de test réservée et constate que les portefeuilles fondés sur le modèle couvrent le momentum ainsi que des effets de retour à la moyenne à court et à long horizon. Les auteurs rapportent également des alphas statistiquement significatifs par rapport aux principaux facteurs du marché boursier. Ces résultats suggèrent que le modèle peut saisir des motifs de rendement au-delà des références retenues. La description fournie ne précise pas la construction des portefeuilles, les performances ajustées du risque, les coûts de transaction ni les tests au-delà de l’échantillon indiqué ; elle ne permet donc pas d’établir comment l’approche fonctionnerait sur d’autres périodes ou après prise en compte des coûts de mise en œuvre.

Idées clés

• StockGPT modélise les rendements boursiers comme des séquences de jetons dans une tâche de prévision autorégressive.
• Son mécanisme d’attention apprend des motifs à partir des historiques de rendement sans signaux de prix conçus manuellement.
• Des portefeuilles long-short fondés sur ses prévisions sont testés avec un rééquilibrage quotidien et mensuel.
• L’article rapporte une exposition au momentum et aux effets de retour à la moyenne, ainsi que des alphas significatifs ajustés des facteurs.

Étiquettes

# StockGPT: A GenAI Model for Stock Prediction and Trading


# StockGPT: A GenAI Model for Stock Prediction and Trading









This paper introduces StockGPT, an autoregressive ``number'' model trained and tested on 70 million daily U.S.\ stock returns over nearly 100 years. Treating each return series as a sequence of tokens, StockGPT automatically learns the hidden patterns predictive of future returns via its attention mechanism. On a held-out test sample from 2001 to 2023, daily and monthly rebalanced long-short portfolios formed from StockGPT predictions yield strong performance. The StockGPT-based portfolios span momentum and long-/short-term reversals, eliminating the need for manually crafted price-based strategies, and yield highly significant alphas against leading stock market factors, suggesting a novel AI pricing effect. This highlights the immense promise of generative AI in surpassing human in making complex financial investment decisions.

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.