SimStock: Học độ tương đồng cổ phiếu từ chuỗi thời gian tài chính

Tóm tắt

Nghiên cứu này giới thiệu SimStock, một khuôn khổ xác định các cổ phiếu tương đồng dựa trên hành vi chuỗi thời gian thay vì chỉ dựa vào nhãn ngành hoặc khu vực thông thường. Phương pháp kết hợp học tự giám sát với khái quát hóa miền theo thời gian để tạo ra các biểu diễn được kỳ vọng vẫn hữu ích khi điều kiện thị trường thay đổi. Động cơ của nghiên cứu là các mối liên hệ giữa cổ phiếu có thể khó phân loại khi thị trường không dừng và các nhóm chuẩn không nắm bắt được động thái của chúng.

Các tác giả đánh giá phương pháp trên bốn bộ dữ liệu thực tế bao phủ hàng nghìn cổ phiếu và cho biết phương pháp vượt trội hơn các cách đo độ tương đồng hiện có. Họ cũng áp dụng độ tương đồng đã học vào giao dịch cặp, bám sát chỉ số và tối ưu hóa danh mục, báo cáo hiệu quả tốt hơn các phương pháp thông thường. Phần tóm tắt không nêu thành phần bộ dữ liệu, chi tiết đối chứng, giai đoạn đánh giá hoặc kiểm tra độ vững, vì vậy nên diễn giải kết quả trong phạm vi các thử nghiệm đó, chứ không xem là bảo đảm về hiệu quả đầu tư tương lai.

Ý chính

• SimStock học biểu diễn cổ phiếu từ dữ liệu thời gian thay vì chỉ dựa vào nhãn ngành và khu vực.
• Khuôn khổ kết hợp học tự giám sát với khái quát hóa miền theo thời gian để xử lý hành vi thị trường thay đổi.
• Nghiên cứu thử nghiệm phương pháp trên bốn bộ dữ liệu gồm hàng nghìn cổ phiếu và báo cáo kết quả tương đồng tốt hơn các phương pháp hiện có.
• Các ứng dụng gồm giao dịch cặp, bám sát chỉ số và tối ưu hóa danh mục.
• Mô tả thiếu chi tiết về đối chứng và độ vững, hạn chế việc đánh giá khả năng khái quát sang bối cảnh khác.

Thẻ

# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management


# Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management









In the era of rapid globalization and digitalization, accurate identification of similar stocks has become increasingly challenging due to the non-stationary nature of financial markets and the ambiguity in conventional regional and sector classifications. To address these challenges, we examine SimStock, a novel temporal self-supervised learning framework that combines techniques from self-supervised learning (SSL) and temporal domain generalization to learn robust and informative representations of financial time series data. The primary focus of our study is to understand the similarities between stocks from a broader perspective, considering the complex dynamics of the global financial landscape. We conduct extensive experiments on four real-world datasets with thousands of stocks and demonstrate the effectiveness of SimStock in finding similar stocks, outperforming existing methods. The practical utility of SimStock is showcased through its application to various investment strategies, such as pairs trading, index tracking, and portfolio optimization, where it leads to superior performance compared to conventional methods. Our findings empirically examine the potential of data-driven approach to enhance investment decision-making and risk management practices by leveraging the power of temporal self-supervised learning in the face of the ever-changing global financial landscape.

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.