시간에 따라 변하는 주가 수익률 예측과 온라인 조기 종료

기사 arXiv papers · 저자: Steven Y. K. Wong et al.

요약

이 문서는 입력과 수익률의 관계가 시간에 따라 변할 때 신경망 예측을 연구합니다. 함수가 어떻게 바뀌는지 미리 알 필요 없이 모델이 변화하는 함수를 추적하도록 온라인 조기 종료라는 학습 방식을 제안합니다. 미국 주식의 월간 수익률 예측에서 이 방법을 기존 접근법과 비교해 더 나은 예측 성능을 보였다고 보고합니다.

분석에서는 규모와 모멘텀 같은 익숙한 요인 및 산업 지표의 예측력이 시간에 따라 달라지는 점도 발견합니다. 시장 스트레스 시에는 기업별 특성에 비해 산업 정보의 중요성이 커집니다. 제공된 내용에는 구체적인 성능 지표, 모형 세부 사항, 스트레스 기간의 정의가 없어 보고된 우위와 특성 중요도의 변화는 이 요약만으로 독립적으로 평가할 수 없습니다. 시장 관계가 바뀌면 고정된 학습 선택과 예측 변수에 대한 안정적인 해석을 신뢰하기 어려울 수 있다는 점을 시사합니다.

핵심 아이디어

수익률 관계 변화에 신경망이 적응하도록 온라인 조기 종료를 제안합니다.
미국 주식의 월간 수익률 예측에서 기존 방법보다 성능이 좋았다고 보고합니다.
규모, 모멘텀, 산업 지표의 예측력은 시간에 따라 변합니다.
시장 불안 시 산업 지표의 상대적 중요성이 커지고 기업별 특성의 중요성은 줄어듭니다.

# 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.

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

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

시간에 따라 변하는 주가 수익률 예측과 온라인 조기 종료

요약

핵심 아이디어

태그