باقی عوامل کی پیش گوئی شدہ تقسیم سے پورٹ فولیو کی تشکیل

مضمون arXiv papers · مصنف: Kentaro Imajo et al.

خلاصہ

یہ مطالعہ باقی عوامل کی تقسیم کی پیش گوئی پر مبنی حصص کے پورٹ فولیو کا طریقہ پیش کرتا ہے۔ یہ عوامل مشترک بازاری واسطوں سے آگے کی معلومات سمیٹتے ہیں اور ان واسطوں کے خلاف تحفظ میں مدد دے سکتے ہیں۔ اس میں دو اہم اجزا بیان کیے گئے ہیں: باقی معلومات اخذ کرنے کا ایک حسابی طور پر مؤثر طریقہ، اور ایسا نیورل نیٹ ورک ڈھانچا جو وسعت اور وقت کے پیمانے سے غیر متغیر رہنے کو شامل کرنے کے لیے بنایا گیا ہے۔ بیان کردہ مقصد مشین لرننگ کو غیر ساکن مالیاتی بازاروں میں کم نمونوں سے سیکھنے کے قابل اور مضبوط بنانا ہے۔

مصنفین نے امریکی اور جاپانی حصص بازاروں کے ڈیٹا پر طریقے کا جائزہ لیا اور بتایا کہ ابلیشن تجربات میں ہر مجوزہ تکنیک کا ٹریڈنگ اسٹریٹیجی کی کارکردگی میں حصہ سامنے آیا۔ دستاویز میں پورٹ فولیو بنانے کی تفصیلات، پیش گوئی کے ہدف کا دورانیہ، کارکردگی کے پیمانے، یا مخصوص تقابلی ماڈلز سے موازنہ نہیں دیا گیا۔ اس لیے شواہد رپورٹ کردہ تجربات میں بیان کردہ اجزا کی تائید کرتے ہیں، لیکن مختصر بیان سے یہ ثابت نہیں ہوتا کہ نتائج مختلف بازاروں یا لین دین کے اخراجات میں بھی برقرار رہیں گے۔

اہم خیالات

پورٹ فولیو کا طریقہ مشترک بازاری واسطوں سے آگے کے خطرے سے نمٹنے کے لیے باقی عوامل کی تقسیم کی پیش گوئی کرتا ہے۔
حسابی طور پر مؤثر اخذ کا طریقہ پیش گوئی کے ماڈلز کے لیے باقی معلومات پیدا کرتا ہے۔
نیورل نیٹ ورک مالیاتی مفروضوں کے طور پر وسعت اور وقت کے پیمانے سے غیر متغیر رہنے کو شامل کرتا ہے۔
تجربات میں امریکی اور جاپانی حصص بازاروں کا ڈیٹا استعمال ہوا۔
اجزا الگ کر کے کیے گئے نتائج بتاتے ہیں کہ ہر مجوزہ تکنیک اسٹریٹیجی کی کارکردگی میں حصہ ڈالتی ہے۔

ٹیگز

حصص مشین لرننگ فیکٹر سرمایہ کاری پورٹ فولیو کی تشکیل رسک مینجمنٹ

مکمل متن

# 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.

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۔