Xây dựng danh mục từ các phân phối dự báo của nhân tố phần dư

Tóm tắt

Nghiên cứu đề xuất phương pháp xây dựng danh mục cổ phiếu dựa trên dự báo phân phối của các nhân tố phần dư, vốn nắm bắt thông tin ngoài mức độ tiếp xúc chung với thị trường và có thể giúp phòng hộ các mức độ tiếp xúc đó. Nghiên cứu mô tả hai thành phần chính: một cách trích xuất thông tin phần dư có hiệu quả tính toán và một kiến trúc mạng nơ-ron được thiết kế để tích hợp tính bất biến về biên độ và thang thời gian. Động cơ được nêu là giúp học máy sử dụng mẫu hiệu quả hơn và vững hơn trên các thị trường tài chính không dừng.

Các tác giả đánh giá phương pháp trên dữ liệu thị trường cổ phiếu Mỹ và Nhật Bản, đồng thời báo cáo rằng các thử nghiệm loại bỏ thành phần cho thấy mỗi kỹ thuật đề xuất đều đóng góp vào hiệu suất chiến lược giao dịch. Tài liệu không nêu chi tiết xây dựng danh mục, chân trời mục tiêu dự báo, thước đo hiệu suất hay so sánh với các chuẩn cụ thể. Vì vậy, bằng chứng ủng hộ các thành phần được mô tả trong phạm vi thử nghiệm đã báo cáo, nhưng phần tường thuật ngắn không xác lập khả năng khái quát kết quả qua các thị trường hay sau chi phí giao dịch.

Ý chính

• Phương pháp danh mục dự báo phân phối của nhân tố phần dư để xử lý rủi ro ngoài mức độ tiếp xúc chung với thị trường.
• Phương pháp trích xuất có hiệu quả tính toán tạo thông tin phần dư cho các mô hình dự báo.
• Mạng nơ-ron tích hợp tính bất biến về biên độ và thang thời gian làm thiên kiến quy nạp tài chính.
• Thử nghiệm sử dụng dữ liệu thị trường cổ phiếu Mỹ và Nhật Bản.
• Kết quả loại bỏ thành phần cho thấy mỗi kỹ thuật đề xuất đều đóng góp vào hiệu suất chiến lược.

Thẻ

# Deep Portfolio Optimization via Distributional Prediction of Residual Factors


# 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.

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.