Моделирование дрейфа после отчётности с помощью XGBoost и генетического алгоритма
Сводка
В статье контролируемое машинное обучение применяется для анализа дрейфа после объявления прибыли (PEAD) — аномалии на рынке акций, при которой доходность продолжает меняться после публикации отчётности. Модель использует XGBoost и сконструированные фундаментальные и технические признаки на основе квартальных данных об отчётности 1,106 компаний Russell 1000 за период с 1997 по 2018. Для оптимизации модели применяется генетический алгоритм. Анализ охватывает направление дрейфа и различия его факторов между отраслевыми секторами и календарными кварталами.
Авторы сообщают, что модель достаточно надёжно прогнозирует направление дрейфа и позволяет разделить акции вне выборки на длинные и короткие позиции с более благоприятной доходностью; по их мнению, это может помочь в разработке рыночно-нейтральной стратегии. Также рассматривается сложность реализации: цены могут измениться, пока открывается сделка, связанная с событием, и в статье предложен приём для снижения этой проблемы. В описании не приведены показатели доходности, оценки транзакционных издержек или подробности процедур проверки, поэтому результаты не доказывают чистую прибыльность или устойчивость.
Ключевые идеи
- В исследовании XGBoost используется для прогнозирования направления дрейфа после объявления прибыли.
- Сконструированные признаки объединяют фундаментальную и техническую информацию вокруг квартальных объявлений.
- Модель оптимизируется генетическим алгоритмом; анализ охватывает 1,106 компаний Russell 1000 за период с 1997 по 2018.
- Согласно результатам, факторы дрейфа различаются в зависимости от отрасли и квартала.
- Разделение акций вне выборки и приём входа в позицию учитывают формирование портфеля и изменение цен, но подробностей о прибыльности нет.
Теги
Полный текст
# 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.
Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0
Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.