본문으로 건너뛰기
라이브러리 문서 전체

유전 알고리즘으로 최적화한 XGBoost와 실적 발표 후 표류

기사 arXiv papers · 저자: Zhengxin Joseph Ye et al.
원문 읽기

요약

이 논문은 실적 발표 후 표류(PEAD)라는, 실적 뉴스 이후에도 수익률이 계속 움직이는 주식 이상 현상에 지도 머신러닝을 적용합니다. 모형은 1,106 Russell 1000개 기업의 1997부터 2018까지 분기별 실적 발표 데이터로 설계한 기본적·기술적 특징과 XGBoost를 사용합니다. 유전 알고리즘으로 모형을 최적화합니다. 분석은 표류 방향과 그 요인이 산업 부문 및 분기별로 어떻게 달라지는지 살펴봅니다.

저자들은 모형이 표류 방향을 신뢰할 만하게 예측하고, 표본 외 종목을 더 유리한 수익률을 보이는 롱 및 숏 그룹으로 분류할 수 있다고 보고합니다. 이 결과가 시장 중립 전략 개발에 도움이 될 수 있다고 제안합니다. 또한 이벤트 기반 거래에 진입하는 동안 가격이 움직일 수 있는 구현상의 어려움도 다루며, 이를 줄이기 위한 방법을 제시합니다. 설명에는 성과 수치, 거래 비용 추정치 또는 상세한 검증 절차가 없어 보고된 결과만으로는 순수익성이나 지속성을 입증할 수 없습니다.

핵심 아이디어

  • 이 연구는 XGBoost로 실적 발표 후 표류 방향을 예측합니다.
  • 가공한 특징은 분기별 실적 발표 전후의 기본적 정보와 기술적 정보를 결합합니다.
  • 유전 알고리즘으로 모형을 최적화하며, 분석은 1,106 Russell 1000개 기업을 대상으로 1997부터 2018까지 진행합니다.
  • 보고된 표류 요인은 산업 섹터와 분기에 따라 달라집니다.
  • 표본 외 종목 분류와 진입 방법으로 포트폴리오 구성 및 가격 변동 문제를 다루지만 수익성 세부 정보는 제시되지 않습니다.

태그

주식이벤트 기반 전략머신러닝백테스트포트폴리오 구성
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.