Онлайн-ранняя остановка обучения для прогнозирования доходности акций

Сводка

В документе изучается прогнозирование нейронными сетями в условиях, когда связь между входными данными и доходностью меняется со временем. Предлагается онлайн-ранняя остановка обучения — подход, который позволяет модели отслеживать меняющуюся функцию без предварительного знания характера этих изменений. Авторы сравнивают метод с существующими подходами к прогнозированию месячной доходности акций США и сообщают о более высокой точности прогнозов.

Анализ также показывает, что предсказательная ценность известных факторов, включая размер и импульс, а также отраслевых индикаторов меняется со временем. Во время рыночного стресса отраслевая информация становится важнее по сравнению с характеристиками отдельных фирм. В предоставленном тексте нет конкретных показателей эффективности, деталей модели или определений периодов стресса, поэтому по одному этому описанию нельзя независимо оценить заявленное превосходство и изменения важности признаков. Результаты указывают на то, что фиксированные настройки обучения и неизменная интерпретация предикторов могут быть ненадежны при изменении рыночных взаимосвязей.

Ключевые идеи

• Предлагается онлайн-ранняя остановка обучения, помогающая нейронным сетям адаптироваться к меняющимся связям доходности.
• Подход сравнивается с существующими методами прогнозирования месячной доходности акций США; по утверждению авторов, он показывает лучшие результаты.
• Предсказательная сила размера, импульса и отраслевых индикаторов меняется со временем.
• Во время рыночного стресса относительная важность отраслевых индикаторов растет, а характеристик отдельных фирм — снижается.

Теги

# 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.

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.