Parada antecipada online para prever retornos de ações variáveis no tempo

Resumo

Este documento estuda previsões de redes neurais quando a relação entre entradas e retornos muda ao longo do tempo. Propõe a parada antecipada online, uma abordagem de treinamento destinada a permitir que o modelo acompanhe uma função em evolução sem exigir conhecimento prévio de como ela muda. O artigo compara esse método com abordagens existentes na previsão mensal de retornos de ações dos EUA e relata melhor desempenho preditivo.

A análise também constata que o valor preditivo de fatores conhecidos, incluindo tamanho e momentum, e de indicadores setoriais varia ao longo do tempo. Durante períodos de estresse no mercado, as informações setoriais se tornam mais importantes em relação às características específicas das empresas. O texto fornecido não apresenta métricas específicas de desempenho, detalhes do modelo nem definições dos períodos de estresse; portanto, não é possível avaliar de forma independente, apenas com este resumo, a superioridade relatada nem a mudança na importância das características. As descobertas sugerem que escolhas fixas de treinamento e interpretações estáveis dos preditores podem não ser confiáveis quando as relações de mercado mudam.

Ideias principais

• A parada antecipada online é proposta para ajudar redes neurais a se adaptarem às mudanças nas relações entre retornos.
• A abordagem é comparada com métodos existentes para prever retornos mensais de ações dos EUA e, segundo o relato, tem desempenho superior.
• A força preditiva do tamanho, do momentum e dos indicadores setoriais muda ao longo do tempo.
• Durante turbulências no mercado, os indicadores setoriais ganham importância relativa, enquanto as características das empresas perdem importância.

Tags

# 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.

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.