Dừng sớm trực tuyến để dự báo lợi suất cổ phiếu biến thiên theo thời gian

Tóm tắt

Tài liệu nghiên cứu dự báo bằng mạng nơ-ron khi mối quan hệ giữa đầu vào và lợi suất thay đổi theo thời gian. Nghiên cứu đề xuất dừng sớm trực tuyến, một cách huấn luyện nhằm giúp mô hình theo dõi hàm đang biến đổi mà không cần biết trước hàm đó thay đổi ra sao. Bài báo so sánh phương pháp này với các cách tiếp cận hiện có trong dự báo lợi suất cổ phiếu Mỹ hằng tháng và báo cáo hiệu quả dự báo tốt hơn.

Phân tích cũng nhận thấy giá trị dự báo của các yếu tố quen thuộc, bao gồm quy mô và động lượng, cùng các chỉ báo ngành, thay đổi theo thời gian. Khi thị trường căng thẳng, thông tin ngành trở nên quan trọng hơn so với các đặc trưng cấp doanh nghiệp. Tài liệu được cung cấp không nêu chỉ số hiệu quả cụ thể, chi tiết mô hình hay định nghĩa giai đoạn căng thẳng, nên không thể đánh giá độc lập mức vượt trội được báo cáo và sự thay đổi về tầm quan trọng của đặc trưng chỉ từ phần tóm tắt này. Kết quả cho thấy các lựa chọn huấn luyện cố định và cách diễn giải ổn định về biến dự báo có thể không đáng tin cậy khi quan hệ thị trường thay đổi.

Ý chính

• Dừng sớm trực tuyến được đề xuất để giúp mạng nơ-ron thích ứng với các mối quan hệ lợi suất đang thay đổi.
• Phương pháp được so sánh với các cách hiện có để dự báo lợi suất cổ phiếu Mỹ hằng tháng và được báo cáo là có kết quả tốt hơn.
• Sức mạnh dự báo của quy mô, động lượng và các chỉ báo ngành thay đổi theo thời gian.
• Trong giai đoạn thị trường căng thẳng, chỉ báo ngành trở nên tương đối quan trọng hơn, còn đặc trưng cấp doanh nghiệp giảm tầm quan trọng.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.