اسٹاک قیمت گذاری اور فیکٹر سرمایہ کاری کے لیے پہلے سے تربیت یافتہ ٹرانسفارمرز
خلاصہ
مقالہ بڑے سرمایہ جاتی قدر والے US اسٹاکس کی قیمت گذاری کے لیے یک سمتی ٹرانسفارمر ماڈل SERT تجویز کرتا ہے اور اسٹاک قیمت گذاری اور فیکٹر سرمایہ کاری پر پہلے سے تربیت یافتہ ٹرانسفارمرز لاگو کرتا ہے۔ یہ طریقوں کا معیاری اور صرف انکوڈر والے ٹرانسفارمرز سے وبا سے پہلے، وبا کے دوران اور اس کے بعد ایک سال کے ادوار میں موازنہ کرتا ہے، اور مارکیٹ کے دباؤ میں کارکردگی دیکھتا ہے۔ مصنفین کے مطابق شدید مارکیٹ اتار چڑھاؤ میں SERT کا آؤٹ آف سیمپل آر اسکوائر سب سے زیادہ ہے، جس کے بعد پہلے سے تربیت یافتہ ٹرانسفارمرز ہیں۔
ماڈلز پر مبنی ٹرینڈ فالوئنگ اسٹریٹیجی کو شدید جھٹکوں کے دوران منفی خطرے سے بچاؤ کے طریقے کے طور پر پیش کیا گیا ہے۔ وبا کے عرصے کے جامد لین دین لاگت کے منظرنامے میں، مساوی وزن والے پورٹ فولیو کے لیے SERT کا سورٹینو ریشو خرید کر رکھنے کی حکمتِ عملی سے 47% زیادہ، اور قدر کے وزن والے پورٹ فولیو کے لیے 28% زیادہ بتایا گیا ہے۔ مقالے میں یہ بھی پایا گیا کہ سوفٹ میکس سگنل فلٹر اسٹریٹیجی کی کارکردگی بہتر نہیں کرتا، زیادہ اٹینشن ہیڈز سے صرف غیر اہم فائدہ ہوتا ہے، اور اس صورت میں پہلے لیئر نارملائزیشن لگانے سے مدد نہیں ملتی۔ نتائج مطالعے کے ادوار اور ترتیب تک مخصوص ہیں؛ فراہم کردہ متن لین دین کے اخراجات کے مفروضے یا وسیع تر توثیق کی تفصیلات نہیں دیتا۔
اہم خیالات
- SERT کو پہلے سے تربیت یافتہ ٹرانسفارمر طریقوں کے ساتھ US بڑے سرمایہ جاتی قدر والے اسٹاکس کی قیمت گذاری کے لیے تجویز کیا گیا ہے۔
- ماڈلز کا موازنہ تین ادوار میں معیاری اور صرف انکوڈر والے ٹرانسفارمرز سے کیا گیا، جو COVID-19 وبا سے پہلے، وبا کے دوران اور اس کے ایک سال بعد کے عرصے پر محیط ہیں۔
- شدید مارکیٹ اتار چڑھاؤ میں SERT کا رپورٹ کردہ آؤٹ آف سیمپل آر اسکوائر سب سے زیادہ ہے۔
- ماڈل پر مبنی ٹرینڈ فالوئنگ اسٹریٹیجی کو جھٹکوں میں منفی خطرے سے بچاؤ کے طور پر پیش کیا گیا ہے۔
- بیان کردہ وبا کے عرصے اور لاگت کے منظرنامے میں SERT کا سورٹینو ریشو دونوں پورٹ فولیو وزن طریقوں میں خرید کر رکھنے سے زیادہ ہے۔
- آزمودہ سوفٹ میکس فلٹر، اضافی اٹینشن ہیڈز اور لیئر نارملائزیشن کی ترتیب سے اسٹریٹیجی کی کارکردگی میں قابلِ ذکر بہتری نہیں آتی۔
ٹیگز
مکمل متن
# Asset Pricing in Pre-trained Transformer # Asset Pricing in Pre-trained Transformer This paper proposes an innovative Transformer model, Single-directional representative from Transformer (SERT), for US large capital stock pricing. It also innovatively applies the pre-trained Transformer models under the stock pricing and factor investment context. They are compared with standard Transformer models and encoder-only Transformer models in three periods covering the entire COVID-19 pandemic to examine the model adaptivity and suitability during the extreme market fluctuations. Namely, pre-COVID-19 period, COVID-19 period and 1-year post-COVID-19. The best proposed SERT model achieves the highest out-of-sample $R^2$, 11.94\% and 11.47\% respectively, when extreme market fluctuation takes place, followed by pre-trained Transformer models (11.13\% and 9.72\%). Their Trend-following-based strategy's performance also proves their excellent capability for hedging downside risks during market shocks. The proposed SERT model achieves a Sortino ratio 47\% higher than the buy-and-hold benchmark in the equal-weighted portfolio and 28\% higher in the value-weighted portfolio in the static transaction cost scenario when the pandemic period is considered. It proves that Transformer models have a strong ability to capture patterns of temporal sparsity in asset pricing factor models, especially with high volatility. I also find the softmax signal filter as the common configuration of Transformer models in alternative contexts, which only eliminates differences between models, but does not improve strategy-wise performance, while increasing attention heads improves the model performance insignificantly and applying the 'layer normalization first' method does not boost the model performance in our case.
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۔