SimStock: aprendizado de similaridades entre ações com séries financeiras

Resumo

Este estudo apresenta o SimStock, uma estrutura para identificar ações semelhantes pelo comportamento de séries temporais, em vez de depender apenas de classificações convencionais por setor ou região. Combina aprendizado autossupervisionado com generalização temporal de domínio para criar representações que buscam continuar úteis conforme as condições de mercado mudam. A motivação é que as relações entre ações podem ser difíceis de classificar quando os mercados não são estacionários e as categorias padrão não capturam sua dinâmica.

Os autores avaliam a abordagem em quatro conjuntos de dados do mundo real, que abrangem milhares de ações, e relatam que ela supera os métodos de similaridade existentes. Também aplicam as similaridades aprendidas a pairs trading, acompanhamento de índices e otimização de carteiras, relatando desempenho melhor que o de abordagens convencionais. O resumo não especifica a composição dos conjuntos de dados, os detalhes das referências, os períodos de avaliação nem os testes de robustez; portanto, os resultados relatados devem ser interpretados dentro do escopo desses experimentos, não como garantia de desempenho futuro dos investimentos.

Ideias principais

• O SimStock aprende representações de ações a partir de dados temporais, em vez de depender apenas de classificações por setor e região.
• A estrutura combina aprendizado autossupervisionado com generalização temporal de domínio para lidar com mudanças no comportamento do mercado.
• O estudo testa o método em quatro conjuntos de dados com milhares de ações e relata resultados de similaridade superiores aos de métodos existentes.
• As aplicações incluem pairs trading, acompanhamento de índices e otimização de carteiras.
• A descrição omite detalhes das referências e dos testes de robustez, limitando a avaliação da generalização para outros cenários.

Tags

# 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.

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.