SimStock: сходство акций на основе финансовых временных рядов

Сводка

В исследовании представлен SimStock — система выявления сходства акций по динамике временных рядов, а не только по традиционной отраслевой или региональной классификации. Она объединяет обучение с самоконтролем и обобщение модели на новые временные условия, чтобы получать представления, которые остаются полезными при изменении рыночных условий. Метод мотивирован тем, что при нестационарных рынках связи между акциями сложно классифицировать, а стандартные категории не отражают их динамику.

Авторы оценивают подход на четырёх реальных наборах данных, охватывающих тысячи акций, и сообщают, что он превосходит существующие методы оценки сходства. Они также применяют найденное сходство для парной торговли, отслеживания индексов и оптимизации портфеля и сообщают о лучших результатах по сравнению с традиционными подходами. В кратком описании не указаны состав наборов данных, детали базовых моделей, периоды оценки или проверки устойчивости. Поэтому результаты следует рассматривать только в рамках этих экспериментов, а не как гарантию будущей доходности инвестиций.

Ключевые идеи

• SimStock обучается представлениям акций по временным данным, а не только по отраслевым и региональным категориям.
• Система объединяет обучение с самоконтролем и обобщение на новые временные условия, чтобы учитывать изменения рыночного поведения.
• Метод проверен на четырёх наборах данных с тысячами акций; авторы сообщают о более точной оценке сходства, чем у существующих методов.
• Среди областей применения — парная торговля, отслеживание индексов и оптимизация портфеля.
• В описании нет сведений о базовых моделях и проверках устойчивости, поэтому обобщение результатов на другие условия оценить сложно.

Теги

# 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.

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.