Construção de carteira com distribuições previstas de fatores residuais

Resumo

Este estudo propõe um método para carteiras de ações baseado na previsão da distribuição de fatores residuais, que capturam informações além das exposições comuns ao mercado e podem ajudar a protegê-las. Ele descreve dois componentes principais: uma forma computacionalmente eficiente de extrair informações residuais e uma arquitetura de rede neural projetada para incorporar invariância de amplitude e de escala temporal. A motivação declarada é tornar o aprendizado de máquina mais eficiente em termos de amostra e robusto em mercados financeiros não estacionários.

Os autores avaliam a abordagem com dados dos mercados acionários dos EUA e do Japão e relatam que experimentos de ablação identificam contribuições de cada técnica proposta para o desempenho da estratégia de trading. O documento não informa detalhes da construção da carteira, horizonte do alvo de previsão, medidas de desempenho ou comparações com referências específicas. Portanto, as evidências apoiam os componentes descritos nos experimentos relatados, mas o breve relato não estabelece como os resultados se generalizam entre mercados ou diante dos custos de trading.

Ideias principais

• O método de carteira prevê distribuições de fatores residuais para abordar riscos além das exposições comuns ao mercado.
• Um método de extração computacionalmente eficiente produz informações residuais para modelos de previsão.
• A rede neural incorpora invariância de amplitude e escala temporal como vieses indutivos financeiros.
• Os experimentos usam dados dos mercados acionários dos EUA e do Japão.
• Os resultados de ablação indicam que cada técnica proposta contribui para o desempenho da estratégia.

Tags

# Deep Portfolio Optimization via Distributional Prediction of Residual Factors


# Deep Portfolio Optimization via Distributional Prediction of Residual Factors









Recent developments in deep learning techniques have motivated intensive research in machine learning-aided stock trading strategies. However, since the financial market has a highly non-stationary nature hindering the application of typical data-hungry machine learning methods, leveraging financial inductive biases is important to ensure better sample efficiency and robustness. In this study, we propose a novel method of constructing a portfolio based on predicting the distribution of a financial quantity called residual factors, which is known to be generally useful for hedging the risk exposure to common market factors. The key technical ingredients are twofold. First, we introduce a computationally efficient extraction method for the residual information, which can be easily combined with various prediction algorithms. Second, we propose a novel neural network architecture that allows us to incorporate widely acknowledged financial inductive biases such as amplitude invariance and time-scale invariance. We demonstrate the efficacy of our method on U.S. and Japanese stock market data. Through ablation experiments, we also verify that each individual technique contributes to improving the performance of trading strategies. We anticipate our techniques may have wide applications in various financial problems.

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.