株式リターン予測のためのオンライン早期終了
記事 arXiv papers · 著者: Steven Y. K. Wong et al.
サマリー
この文書は、入力とリターンの関係が時間とともに変化する場合のニューラルネットワーク予測を研究しています。関係の変化を事前に知らなくても、モデルが変化する関数を追跡できるようにする学習手法として、オンライン早期終了を提案します。米国株の月次リターン予測で既存手法と比較し、予測性能が向上したと報告しています。
分析では、サイズやモメンタムなどのよく知られたファクター、および業種指標の予測価値が時間とともに変化することも示されています。市場ストレス時には、企業レベルの特徴量に比べて業種情報の重要性が高まります。提供された文書には具体的な性能指標、モデルの詳細、ストレス期間の定義がないため、性能向上と特徴量の重要度変化はこの要約だけでは独立に評価できません。市場関係が変化すると、固定された学習設定や予測因子の安定した解釈は信頼できない可能性があると示唆されています。
主なアイデア
- リターンとの関係の変化にニューラルネットワークが適応できるよう、オンライン早期終了を提案します。
- 米国株の月次リターン予測で既存手法と比較し、性能が高かったと報告されています。
- サイズ、モメンタム、業種指標の予測力は時間とともに変化します。
- 市場混乱時には業種指標の相対的重要性が高まり、企業レベルの特徴量の重要性は低下します。
タグ
全文
# Time-varying neural network for stock return prediction # Time-varying neural network for stock return prediction We consider the problem of neural network training in a time-varying context. Machine learning algorithms have excelled in problems that do not change over time. However, problems encountered in financial markets are often time-varying. We propose the online early stopping algorithm and show that a neural network trained using this algorithm can track a function changing with unknown dynamics. We compare the proposed algorithm to current approaches on predicting monthly U.S. stock returns and show its superiority. We also show that prominent factors (such as the size and momentum effects) and industry indicators, exhibit time varying stock return predictiveness. We find that during market distress, industry indicators experience an increase in importance at the expense of firm level features. This indicates that industries play a role in explaining stock returns during periods of heightened risk.
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。