跳至正文
返回文库全部文档

用于时变股票收益预测的在线早停

文章 arXiv papers · 作者: Steven Y. K. Wong et al.
阅读原文

总结

本文研究输入与收益之间的关系随时间变化时，神经网络如何进行预测。研究提出在线早停这一训练方法，旨在让模型跟踪不断演变的函数，而无需预先知道函数会如何变化。论文将该方法与现有方法用于美国股票月度收益预测进行比较，并报告称其预测表现更好。

分析还发现，规模、动量等常见因子的预测价值以及行业指标的预测价值会随时间变化。市场承压期间，相较于公司层面特征，行业信息的重要性会上升。所提供的文本没有给出具体绩效指标、模型细节或压力时期定义，因此仅凭这份摘要无法独立评估所报告的优越表现及特征重要性的变化。研究结果表明，当市场关系发生变化时，固定的训练选择和对预测因子的稳定解释可能并不可靠。

核心观点

  • 研究提出在线早停，以帮助神经网络适应收益关系的变化。
  • 据报告，该方法在美国股票月度收益预测中的表现优于现有方法。
  • 规模、动量和行业指标的预测能力会随时间变化。
  • 市场承压时，行业指标的重要性相对上升，而公司层面特征的重要性下降。

标签

股票机器学习动量美国市场统计学
全文
# 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.

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。