StockGPT: авторегрессионное моделирование доходности акций для портфелей

Сводка

StockGPT представляет дневную доходность акций как последовательности числовых токенов и обучает авторегрессионную модель прогнозировать будущую доходность. Механизм внимания предназначен для выявления временных закономерностей непосредственно в истории доходности, без необходимости вручную задавать традиционные сигналы на основе цен. В статье прогнозы оцениваются с помощью длинных и коротких позиций в портфелях с ежедневной или ежемесячной ребалансировкой.

В описанной оценке использован отложенный период; выяснилось, что портфели на основе модели охватывают эффекты моментума и разворота как на коротком, так и на длинном горизонте. Авторы также сообщают о статистически значимых альфах относительно ведущих факторов фондового рынка. Эти результаты позволяют предположить, что модель может выявлять закономерности доходности за пределами выбранных бенчмарков. В предоставленном описании нет подробностей о формировании портфеля, показателей доходности с поправкой на риск, транзакционных издержек или тестов за пределами указанной выборки, поэтому оно не позволяет судить о результатах подхода в другие периоды или с учётом издержек внедрения.

Ключевые идеи

• StockGPT моделирует доходность акций как последовательности токенов в задаче авторегрессионного прогнозирования.
• Механизм внимания выявляет закономерности в истории доходности без вручную заданных ценовых сигналов.
• Портфели длинных и коротких позиций, сформированные на основе прогнозов модели, тестируются при ежедневной и ежемесячной ребалансировке.
• В статье сообщается об экспозиции к эффектам моментума и разворота, а также о значимых альфах с поправкой на факторы.

Теги

# StockGPT: A GenAI Model for Stock Prediction and Trading


# StockGPT: A GenAI Model for Stock Prediction and Trading









This paper introduces StockGPT, an autoregressive ``number'' model trained and tested on 70 million daily U.S.\ stock returns over nearly 100 years. Treating each return series as a sequence of tokens, StockGPT automatically learns the hidden patterns predictive of future returns via its attention mechanism. On a held-out test sample from 2001 to 2023, daily and monthly rebalanced long-short portfolios formed from StockGPT predictions yield strong performance. The StockGPT-based portfolios span momentum and long-/short-term reversals, eliminating the need for manually crafted price-based strategies, and yield highly significant alphas against leading stock market factors, suggesting a novel AI pricing effect. This highlights the immense promise of generative AI in surpassing human in making complex financial investment decisions.

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.