본문으로 건너뛰기
라이브러리 문서 전체

SimStock: 금융 시계열로 학습하는 주식 유사도

기사 arXiv papers · 저자: Yoontae Hwang et al.
원문 읽기

요약

이 연구는 전통적인 섹터나 지역 분류에만 의존하지 않고 시계열 움직임으로 유사한 주식을 찾는 체계인 SimStock을 제시합니다. 시장 상황이 바뀌어도 유용할 수 있는 표현을 만들기 위해 자기지도 학습과 시간적 도메인 일반화를 결합합니다. 시장이 비정상적이고 기존 범주가 주식 간 동학을 담아내지 못하면 관계를 분류하기 어렵다는 점에서 출발합니다.

저자들은 수천 종목을 포함하는 실제 데이터셋 4개에서 접근법을 평가하고 기존 유사도 방법보다 우수한 결과를 보고합니다. 학습된 유사도를 페어 트레이딩과 지수 추적, 포트폴리오 최적화에도 적용해 기존 접근법보다 나은 성과를 보고합니다. 요약에는 데이터셋 구성과 벤치마크 세부 사항, 평가 기간, 강건성 테스트가 명시돼 있지 않습니다. 따라서 보고된 결과는 미래 투자 성과를 보장하는 것으로 보지 말고 해당 실험의 범위 안에서 해석해야 합니다.

핵심 아이디어

  • SimStock은 섹터와 지역 분류에만 의존하지 않고 시계열 데이터에서 주식 표현을 학습합니다.
  • 시장 행동의 변화를 반영하기 위해 자기지도 학습과 시간적 도메인 일반화를 결합합니다.
  • 수천 종목이 포함된 데이터셋 4개에서 방법을 테스트하고 기존 유사도 방법보다 나은 결과를 보고합니다.
  • 페어 트레이딩과 지수 추적, 포트폴리오 최적화에 적용할 수 있습니다.
  • 벤치마크와 강건성 세부 사항이 빠져 있어 다른 환경으로 일반화할 수 있는지 평가하기 어렵습니다.

태그

주식머신러닝페어 트레이딩포트폴리오 구성통계
전문
# 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.

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

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