अवशिष्ट कारकों के अनुमानित वितरण से पोर्टफ़ोलियो निर्माण
सारांश
यह अध्ययन अवशिष्ट कारकों के वितरण का पूर्वानुमान लगाने पर आधारित शेयर पोर्टफ़ोलियो विधि प्रस्तुत करता है। ये कारक सामान्य बाज़ार जोखिमों से आगे की जानकारी समेटते हैं और उन जोखिमों से बचाव में मदद कर सकते हैं। इसमें दो मुख्य घटक बताए गए हैं: अवशिष्ट जानकारी निकालने का गणनात्मक रूप से कुशल तरीका और आयाम तथा समय-मान अपरिवर्तनीयता शामिल करने के लिए बनाया गया न्यूरल नेटवर्क आर्किटेक्चर। इसका घोषित उद्देश्य मशीन लर्निंग को गैर-स्थिर वित्तीय बाज़ारों में कम नमूनों में अधिक प्रभावी और अधिक मज़बूत बनाना है।
लेखक अमेरिकी और जापानी शेयर बाज़ार डेटा पर इस दृष्टिकोण का मूल्यांकन करते हैं और रिपोर्ट करते हैं कि घटक हटाकर किए गए प्रयोगों में प्रस्तावित प्रत्येक तकनीक का ट्रेडिंग रणनीति के प्रदर्शन में योगदान मिला। दस्तावेज़ में पोर्टफ़ोलियो निर्माण का विवरण, पूर्वानुमान लक्ष्य की अवधि, प्रदर्शन माप या विशिष्ट बेंचमार्क से तुलना नहीं दी गई है। इसलिए साक्ष्य रिपोर्ट किए गए प्रयोगों के भीतर बताए गए घटकों का समर्थन करता है, लेकिन संक्षिप्त विवरण यह स्थापित नहीं करता कि परिणाम अलग-अलग बाज़ारों या ट्रेडिंग लागतों में भी सामान्यीकृत होंगे।
मुख्य विचार
- पोर्टफ़ोलियो विधि सामान्य बाज़ार जोखिमों से आगे के जोखिमों को ध्यान में रखने के लिए अवशिष्ट कारकों के वितरण का पूर्वानुमान लगाती है।
- गणनात्मक रूप से कुशल निष्कर्षण विधि पूर्वानुमान मॉडलों के लिए अवशिष्ट जानकारी तैयार करती है।
- न्यूरल नेटवर्क वित्तीय अंतर्निहित पूर्वधारणाओं के रूप में आयाम और समय-मान अपरिवर्तनीयता को शामिल करता है।
- प्रयोगों में अमेरिकी और जापानी शेयर बाज़ार डेटा का उपयोग किया गया है।
- घटक हटाकर किए गए परिणाम संकेत देते हैं कि हर प्रस्तावित तकनीक रणनीति के प्रदर्शन में योगदान देती है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।