論文の概要: Uncertainty-Aware Lookahead Factor Models for Quantitative Investing
- arxiv url: http://arxiv.org/abs/2007.04082v2
- Date: Wed, 15 Jul 2020 16:52:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 18:39:06.956764
- Title: Uncertainty-Aware Lookahead Factor Models for Quantitative Investing
- Title（参考訳）: 定量的投資のための不確実性を考慮したルックアヘッド・ファクターモデル
- Authors: Lakshay Chauhan, John Alberg, Zachary C. Lipton
- Abstract要約: 最初にシミュレーションを通して、将来の基本に基づいて計算された要因によって株式を選択することができれば、ポートフォリオは標準因子モデルよりもはるかに優れていることを示します。
本稿では、これらの予測された未来基本を従来の要因にプラグインするルックアヘッドファクターモデルを提案する。
振り返り分析では、業界レベルのポートフォリオシミュレータを活用し、年次リターンとシャープ比の同時改善を示す。
- 参考スコア（独自算出の注目度）: 25.556824322478935
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: On a periodic basis, publicly traded companies report fundamentals, financial
data including revenue, earnings, debt, among others. Quantitative finance
research has identified several factors, functions of the reported data that
historically correlate with stock market performance. In this paper, we first
show through simulation that if we could select stocks via factors calculated
on future fundamentals (via oracle), that our portfolios would far outperform
standard factor models. Motivated by this insight, we train deep nets to
forecast future fundamentals from a trailing 5-year history. We propose
lookahead factor models which plug these predicted future fundamentals into
traditional factors. Finally, we incorporate uncertainty estimates from both
neural heteroscedastic regression and a dropout-based heuristic, improving
performance by adjusting our portfolios to avert risk. In retrospective
analysis, we leverage an industry-grade portfolio simulator (backtester) to
show simultaneous improvement in annualized return and Sharpe ratio.
Specifically, the simulated annualized return for the uncertainty-aware model
is 17.7% (vs 14.0% for a standard factor model) and the Sharpe ratio is 0.84
(vs 0.52).
- Abstract（参考訳）: 定期的に、公的に取引された企業は、収益、収益、負債などを含む財務データの基本を報告している。
定量的ファイナンス研究は、歴史的に株式市場のパフォーマンスと相関する報告されたデータのいくつかの要素、機能を特定した。
本稿ではまず,将来のファンダメンタルズ(oracle経由)に基づいて計算された要因によって株式を選択できれば,ポートフォリオが標準ファクタモデルよりもはるかに優れることを示すシミュレーションを行った。
この洞察に動機づけられ、深層網を訓練し、5年続く歴史から将来の基礎を予測する。
我々は,これらの予測された将来の基礎を従来の要因につなげるルックアヘッド・ファクターモデルを提案する。
最後に,ニューラルヘテロシドスティック回帰とドロップアウトに基づくヒューリスティックの両方からの不確実性推定を取り込んで,ポートフォリオを調整してリスクを回避することにより,パフォーマンスを向上させる。
ふりかえり分析では,業界別ポートフォリオシミュレータ(backtester)を活用して,年次リターンとシャープ率の同時改善を示す。
具体的には、不確実性認識モデルの年次回帰は17.7%(標準因子モデルでは14.0%)、シャープ比は0.84(vs 0.52)である。
関連論文リスト
- Harnessing Earnings Reports for Stock Predictions: A QLoRA-Enhanced LLM Approach [6.112119533910774]
本稿では、命令ベースの新しい手法と量子化低ランク適応(QLoRA)圧縮を組み合わせることで、LLM(Large Language Models)命令を微調整することで、高度なアプローチを提案する。
近年の市場指標やアナリストの成績等「外部要因」を統合して、リッチで教師付きデータセットを作成する。
この研究は、最先端のAIを微調整された財務データに統合する能力を実証するだけでなく、AI駆動の財務分析ツールを強化するための将来の研究の道を開く。
論文 参考訳（メタデータ） (2024-08-13T04:53:31Z) - Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。
ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。
我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
論文 参考訳（メタデータ） (2024-04-27T21:57:17Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - HireVAE: An Online and Adaptive Factor Model Based on Hierarchical and
Regime-Switch VAE [113.47287249524008]
オンラインで適応的な環境で株価予測を行うファクターモデルを構築することは、依然としてオープンな疑問である。
本稿では,オンラインおよび適応型要素モデルであるHireVAEを,市場状況とストックワイド潜在要因の関係を埋め込んだ階層型潜在空間として提案する。
4つの一般的な実市場ベンチマークにおいて、提案されたHireVAEは、以前の手法よりもアクティブリターンの点で優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2023-06-05T12:58:13Z) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳（メタデータ） (2023-06-01T01:36:51Z) - Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。
実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文 参考訳（メタデータ） (2022-10-22T14:47:11Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Profitability Analysis in Stock Investment Using an LSTM-Based Deep
Learning Model [1.2891210250935146]
長期記憶ネットワーク(LSTM)ネットワーク上に構築した深層学習に基づく回帰モデルを提案する。
特定の開始日と終了日について、株式のティッカー名に基づいて過去の株価を抽出し、将来の株価を予測する。
インド株式市場の15の重要セクターから選ばれた75の重要銘柄にモデルを配置する。
論文 参考訳（メタデータ） (2021-04-06T11:09:51Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。