コンテンツへスキップ
ライブラリの全資料

遺伝的アルゴリズムで調整したXGBoostによる決算後ドリフト分析

記事 arXiv papers · 著者: Zhengxin Joseph Ye et al.
原文を読む

サマリー

本論文は、決算発表後もリターンが動き続ける株式市場の異常、決算発表後ドリフト（PEAD）に教師あり機械学習を適用します。モデルにはXGBoostと、Russell 1000構成企業1,106社の1997～2018年の四半期決算発表データから作成したファンダメンタルおよびテクニカル特徴量を使用します。モデルの最適化には遺伝的アルゴリズムを用います。ドリフトの方向と、その要因が業種や暦四半期によってどう異なるかを分析します。

著者らは、このモデルがドリフトの方向を信頼性のある形で予測し、サンプル外の銘柄をロング群とショート群に分類すると、より良好なリターンが得られると報告しています。これが市場中立戦略の開発を支える可能性があるとしています。また、イベントに基づく取引への参入中に価格が動くという実装上の難しさも取り上げ、その問題を軽減することを意図した手法を示しています。説明にはパフォーマンス数値、取引コストの推定値、詳細な検証手順がないため、報告された結果から純利益や持続性を立証することはできません。

主なアイデア

  • XGBoostを用いて決算発表後ドリフトの方向を予測します。
  • 作成した特徴量には、四半期決算発表をめぐるファンダメンタル情報とテクニカル情報が含まれます。
  • 遺伝的アルゴリズムでモデルを最適化し、1997年から2018年までのラッセル1000構成企業1,106社を分析しています。
  • 報告されたドリフトの要因は、業種と四半期によって異なります。
  • サンプル外の銘柄選別と参入手法で、ポートフォリオ構築と価格変動の問題に対応しますが、収益性の詳細は示されていません。

タグ

株式イベントドリブン機械学習バックテストポートフォリオ構築
全文
# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning


# Capturing dynamics of post-earnings-announcement drift using genetic algorithm-optimised supervised learning









While Post-Earnings-Announcement Drift (PEAD) is one of the most studied stock market anomalies, the current literature is often limited in explaining this phenomenon by a small number of factors using simpler regression methods. In this paper, we use a machine learning based approach instead, and aim to capture the PEAD dynamics using data from a large group of stocks and a wide range of both fundamental and technical factors. Our model is built around the Extreme Gradient Boosting (XGBoost) and uses a long list of engineered input features based on quarterly financial announcement data from 1,106 companies in the Russell 1000 index between 1997 and 2018. We perform numerous experiments on PEAD predictions and analysis and have the following contributions to the literature. First, we show how Post-Earnings-Announcement Drift can be analysed using machine learning methods and demonstrate such methods' prowess in producing credible forecasting on the drift direction. It is the first time PEAD dynamics are studied using XGBoost. We show that the drift direction is in fact driven by different factors for stocks from different industrial sectors and in different quarters and XGBoost is effective in understanding the changing drivers. Second, we show that an XGBoost well optimised by a Genetic Algorithm can help allocate out-of-sample stocks to form portfolios with higher positive returns to long and portfolios with lower negative returns to short, a finding that could be adopted in the process of developing market neutral strategies. Third, we show how theoretical event-driven stock strategies have to grapple with ever changing market prices in reality, reducing their effectiveness. We present a tactic to remedy the difficulty of buying into a moving market when dealing with PEAD signals.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。