Modelagem do Drift Pós-Resultados com XGBoost Otimizado por Algoritmo Genético
Resumo
O artigo aplica aprendizado de máquina supervisionado ao drift após anúncios de resultados (PEAD), uma anomalia em ações na qual os retornos continuam se movendo após notícias sobre resultados. O modelo usa XGBoost e atributos fundamentais e técnicos construídos a partir de dados trimestrais de anúncios de 1,106 empresas do Russell 1000, de 1997 a 2018. Um algoritmo genético é usado para otimizar o modelo. A análise examina a direção do drift e como seus fatores variam entre setores industriais e trimestres do calendário.
Os autores relatam que o modelo gera previsões confiáveis da direção do drift e pode separar ações fora da amostra em grupos comprados e vendidos com retornos mais favoráveis, o que, segundo eles, pode apoiar o desenvolvimento de estratégias neutras em relação ao mercado. Também abordam uma dificuldade de implementação: os preços podem se mover enquanto uma operação baseada em eventos está sendo iniciada, e o artigo apresenta uma tática destinada a reduzir esse problema. A descrição não fornece números de desempenho, estimativas de custos de transação nem procedimentos detalhados de validação; portanto, os resultados relatados não demonstram lucratividade líquida nem persistência.
Ideias principais
- O estudo usa XGBoost para prever a direção do drift após anúncios de resultados.
- Os atributos construídos combinam informações fundamentais e técnicas em torno de anúncios trimestrais.
- Um algoritmo genético otimiza o modelo, e a análise abrange 1,106 empresas Russell 1000 de 1997 a 2018.
- Os fatores de drift relatados variam conforme o setor industrial e o trimestre.
- A ordenação de ações fora da amostra e uma tática de entrada abordam a formação de carteiras e a movimentação dos preços, embora não sejam fornecidos detalhes de lucratividade.
Tags
Texto completo
# 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.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.