跳至正文
返回文库全部文档

梯度提升模型识别微盘股内部人买入信号

文章 arXiv papers · 作者: Hangyi Zhao
阅读原文

总结

本文检验美国微盘公司通过监管披露报告的公开市场内部人买入，能否帮助预测后续异常收益。研究分析了从 2018 年到 2024 年涉及 1,343 家发行人的 17,237 笔买入交易，市值范围为 30 百万美元至 500 百万美元。梯度提升模型使用了内部人特征、过往交易行为以及披露时可获得的市场状况。在留出的 2024 年数据上，分类器的 AUC 为 0.70；在选定阈值下，精确率为 0.38，召回率为 0.69。

报告中最有力的预测指标是股价低于其 52 周高点的幅度。分析发现，在涨幅超过 10% 后披露的买入交易，其平均累计异常收益和跑赢比例最高；这表明可能存在趋势确认模式，而非简单的反转效应。作者报告称，缩尾处理后以及在不同子样本中，结果仍然成立。这些发现是预测关联，并不能证明内部人买入会导致收益；它们仅适用于所研究的微盘股范围和时期，流动性不足也可能影响信号表现和实际执行。

核心观点

  • 该研究评估内部人买入披露能否预测美国微盘股的异常收益。
  • 梯度提升分类器结合内部人历史和特征，以及披露时的市场状况。
  • 距 52 周高点的幅度是模型报告中影响最大的特征。
  • 研究发现，大幅上涨后披露的买入交易表现更强，这与简单反转的直觉不同。
  • 报告的模式在缩尾处理后和不同子样本中仍然存在，但不能证明因果关系，也不保证可交易收益。

标签

股票机器学习统计学动量回测
全文
# Insider Purchase Signals in Microcap Equities: Gradient Boosting Detection of Abnormal Returns


# Insider Purchase Signals in Microcap Equities: Gradient Boosting Detection of Abnormal Returns









This paper examines whether SEC Form 4 insider purchase filings predict abnormal returns in U.S. microcap stocks. The analysis covers 17,237 open-market purchases across 1,343 issuers from 2018 through 2024, restricted to market capitalizations between \$30M and \$500M. A gradient boosting classifier trained on insider identity, transaction history, and market conditions at disclosure achieves AUC of 0.70 on out-of-sample 2024 data. At an optimized threshold of 0.20, precision is 0.38 and recall is 0.69. The distance from the 52-week high dominates feature importance, accounting for 36% of predictive signal. A momentum pattern emerges in the data: transactions disclosed after price appreciation exceeding 10% yield the highest mean cumulative abnormal return (6.3%) and the highest probability of outperformance (36.7%). This contrasts with the simple mean-reversion intuition often applied to post-run-up entries. The result is robust to winsorization and holds across subsamples. These patterns are consistent with slower information incorporation in illiquid markets, where trend confirmation may filter for higher-conviction insider signals.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。