Построение портфеля по прогнозируемым распределениям остаточных факторов

Сводка

В исследовании предлагается метод формирования портфеля акций на основе прогноза распределений остаточных факторов. Эти факторы отражают информацию за пределами общих рыночных рисков и могут помогать хеджировать такие риски. Описаны два основных компонента: вычислительно эффективный способ выделения остаточной информации и архитектура нейронной сети, учитывающая инвариантность к амплитуде и масштабу времени. Заявленная цель — повысить эффективность машинного обучения при ограниченной выборке и его устойчивость на нестационарных финансовых рынках.

Авторы оценивают подход на данных фондовых рынков США и Японии и сообщают, что абляционные эксперименты выявили вклад каждого предложенного метода в результаты торговой стратегии. В документе нет подробностей построения портфеля, горизонта целевого прогноза, показателей эффективности или сравнений с конкретными эталонами. Поэтому результаты подтверждают описанные компоненты в рамках представленных экспериментов, но краткое изложение не показывает, насколько выводы применимы к другим рынкам или с учётом транзакционных издержек.

Ключевые идеи

• Метод формирования портфеля прогнозирует распределения остаточных факторов, чтобы учитывать риски, не связанные с общими рыночными экспозициями.
• Вычислительно эффективный метод выделяет остаточную информацию для моделей прогнозирования.
• Нейронная сеть использует инвариантность к амплитуде и масштабу времени как финансовые индуктивные смещения.
• В экспериментах используются данные фондовых рынков США и Японии.
• Результаты абляционного анализа указывают, что каждый предложенный метод вносит вклад в эффективность стратегии.

Теги

# 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.

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.