सिमस्टॉक: वित्तीय समय-श्रृंखलाओं से शेयरों की समानता सीखना
सारांश
यह अध्ययन सिमस्टॉक प्रस्तुत करता है, जो केवल पारंपरिक क्षेत्र या भौगोलिक लेबलों पर निर्भर रहने के बजाय समय-श्रृंखला व्यवहार से समान शेयरों की पहचान करता है। यह ऐसी निरूपण विधियाँ बनाने के लिए स्व-पर्यवेक्षित अधिगम को कालिक डोमेन सामान्यीकरण के साथ जोड़ता है, जो बाज़ार की स्थितियाँ बदलने पर भी उपयोगी रहने के उद्देश्य से बनाई गई हैं। इसकी प्रेरणा यह है कि जब बाज़ार गैर-स्थिर हों और मानक श्रेणियाँ उनकी गतिशीलता न पकड़ें, तो शेयरों के संबंधों का वर्गीकरण कठिन हो सकता है।
लेखक हज़ारों शेयरों वाले चार वास्तविक डेटा-समूहों पर इस तरीके का मूल्यांकन करते हैं और बताते हैं कि इसने मौजूदा समानता विधियों से बेहतर प्रदर्शन किया। वे सीखी गई समानताओं को पेयर्स ट्रेडिंग, सूचकांक ट्रैकिंग और पोर्टफ़ोलियो अनुकूलन में भी लागू करते हैं और पारंपरिक तरीकों से बेहतर प्रदर्शन की रिपोर्ट देते हैं। सारांश डेटा-समूह की संरचना, आधार तुलना, मूल्यांकन अवधि या मज़बूती जाँचों का विवरण नहीं देता। इसलिए रिपोर्ट किए गए नतीजों को उन्हीं प्रयोगों के दायरे में समझें, भविष्य के निवेश प्रदर्शन की गारंटी के रूप में नहीं।
मुख्य विचार
- सिमस्टॉक केवल क्षेत्र और भौगोलिक लेबलों पर निर्भर रहने के बजाय कालिक डेटा से शेयर निरूपण सीखता है।
- बदलते बाज़ार व्यवहार को ध्यान में रखने के लिए यह ढाँचा स्व-पर्यवेक्षित अधिगम और कालिक डोमेन सामान्यीकरण को जोड़ता है।
- अध्ययन हज़ारों शेयरों वाले चार डेटा-समूहों पर विधि का परीक्षण करता है और मौजूदा विधियों से बेहतर समानता परिणाम बताता है।
- इसके अनुप्रयोगों में पेयर्स ट्रेडिंग, सूचकांक ट्रैकिंग और पोर्टफ़ोलियो अनुकूलन शामिल हैं।
- विवरण में आधार तुलना और मज़बूती के विवरण नहीं हैं, इसलिए अन्य स्थितियों में सामान्यीकरण का आकलन सीमित है।
टैग
पूरा पाठ
# 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.
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।