وقت کے ساتھ بدلتے حصص کے منافع کی پیش گوئی کے لیے آن لائن ارلی اسٹاپنگ

خلاصہ

یہ دستاویز نیورل نیٹ ورک کی پیش گوئی کا مطالعہ کرتی ہے جب اِن پٹس اور منافع کے درمیان تعلق وقت کے ساتھ بدلتا ہے۔ اس میں آن لائن ارلی اسٹاپنگ کی تجویز ہے، یہ تربیتی طریقہ ماڈل کو بدلتے ہوئے فنکشن کے مطابق ڈھلنے دیتا ہے، بغیر اس تبدیلی کو پہلے سے جاننے کی ضرورت کے۔ مقالہ ماہانہ امریکی حصص کے منافع کی پیش گوئی میں اس طریقے کا موجودہ طریقوں سے موازنہ کرتا ہے اور بہتر پیش گوئی کی کارکردگی کی اطلاع دیتا ہے۔

تجزیے میں یہ بھی پایا گیا کہ مانوس عوامل، بشمول حجم اور مومینٹم، اور صنعتی اشاریوں کی پیش گوئی کی قدر وقت کے ساتھ بدلتی ہے۔ مارکیٹ کے دباؤ کے دوران کمپنی کی سطح کی خصوصیات کے مقابلے میں صنعتی معلومات زیادہ اہم ہو جاتی ہیں۔ فراہم کردہ متن میں کارکردگی کے مخصوص پیمانے، ماڈل کی تفصیلات یا دباؤ کے دورانیوں کی تعریفیں نہیں ہیں، اس لیے بہتر کارکردگی اور خصوصیات کی بدلتی اہمیت کا اس خلاصے سے آزادانہ جائزہ ممکن نہیں۔ نتائج بتاتے ہیں کہ مارکیٹ کے تعلقات بدلنے پر طے شدہ تربیتی انتخاب اور پیش گوؤں کی مستحکم تشریحات ناقابلِ اعتماد ہو سکتی ہیں۔

اہم خیالات

• بدلتے ہوئے منافع کے تعلقات کے مطابق نیورل نیٹ ورکس کو ڈھالنے کے لیے آن لائن ارلی اسٹاپنگ تجویز کی گئی ہے۔
• اس طریقے کا ماہانہ امریکی حصص کے منافع کی پیش گوئی میں موجودہ طریقوں سے موازنہ کیا گیا اور اسے بہتر بتایا گیا ہے۔
• حجم، مومینٹم اور صنعتی اشاریوں کی پیش گوئی کی قوت وقت کے ساتھ بدلتی ہے۔
• مارکیٹ کے دباؤ میں صنعتی اشاریوں کی نسبتاً اہمیت بڑھتی ہے، جبکہ کمپنی کی سطح کی خصوصیات کی اہمیت گھٹتی ہے۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔