論文の概要: Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning
- arxiv url: http://arxiv.org/abs/2009.03094v1
- Date: Mon, 7 Sep 2020 13:27:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 03:23:57.263791
- Title: Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning
- Title(参考訳): 遺伝的アルゴリズム最適化教師付き学習による発語後ドリフトのキャプチャダイナミクス
- Authors: Zhengxin Joseph Ye and Bjorn W. Schuller
- Abstract要約: PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
- 参考スコア(独自算出の注目度): 3.42658286826597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While Post-Earnings-Announcement Drift (PEAD) is one of the most studied
stock market anomalies, the current literature is often limited in explaining
this phenomenon by a small number of factors using simpler regression methods.
In this paper, we use a machine learning based approach instead, and aim to
capture the PEAD dynamics using data from a large group of stocks and a wide
range of both fundamental and technical factors. Our model is built around the
Extreme Gradient Boosting (XGBoost) and uses a long list of engineered input
features based on quarterly financial announcement data from 1,106 companies in
the Russell 1000 index between 1997 and 2018. We perform numerous experiments
on PEAD predictions and analysis and have the following contributions to the
literature. First, we show how Post-Earnings-Announcement Drift can be analysed
using machine learning methods and demonstrate such methods' prowess in
producing credible forecasting on the drift direction. It is the first time
PEAD dynamics are studied using XGBoost. We show that the drift direction is in
fact driven by different factors for stocks from different industrial sectors
and in different quarters and XGBoost is effective in understanding the
changing drivers. Second, we show that an XGBoost well optimised by a Genetic
Algorithm can help allocate out-of-sample stocks to form portfolios with higher
positive returns to long and portfolios with lower negative returns to short, a
finding that could be adopted in the process of developing market neutral
strategies. Third, we show how theoretical event-driven stock strategies have
to grapple with ever changing market prices in reality, reducing their
effectiveness. We present a tactic to remedy the difficulty of buying into a
moving market when dealing with PEAD signals.
- Abstract(参考訳): PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の1つであるが、現在の文献では、この現象を単純な回帰法を用いて、少数の要因によって説明できることが多い。
本稿では,機械学習に基づくアプローチを用いて,大量の在庫から得られたデータと,基本的および技術的要因の幅広い範囲を用いてPEADのダイナミクスを捉えることを目的とする。
私たちのモデルはExtreme Gradient Boosting(XGBoost)を中心に構築されており、1997年から2018年にかけてRussell 1000指数の1,106社の四半期決算発表データに基づいて、エンジニアリングされた入力機能の長いリストを使用している。
我々はPEAD予測と分析に関する数多くの実験を行い、文献に以下の貢献をしている。
まず,発表後のドリフトを機械学習手法を用いて分析し,ドリフト方向の信頼性の高い予測を行う手法の長所を示す。
XGBoostを用いたPEADダイナミクスの研究はこれが初めてである。
ドリフト方向は、実際には異なる産業セクターの在庫の異なる要因によって駆動されており、XGBoostは変化するドライバーを理解するのに有効であることを示す。
第2に,遺伝的アルゴリズムによって最適化されたXGBoostは,市場中立戦略の進展過程において採用される可能性のある,長期および短期のポートフォリオに対する肯定的なリターンが低いポートフォリオを形成するために,サンプル外株を割り当てるのに役立つことを示す。
第3に、イベント駆動の株価戦略が市場価格の変動にどのように対応し、その効果を減らさなければならないかを示す。
PEAD信号を扱う際には,移動市場への参入の困難さを解消する戦略を提案する。
関連論文リスト
- Combining Deep Learning on Order Books with Reinforcement Learning for
Profitable Trading [0.0]
本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。
この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
論文 参考訳(メタデータ) (2023-10-24T15:58:58Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - 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) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - TM-vector: A Novel Forecasting Approach for Market stock movement with a
Rich Representation of Twitter and Market data [1.5749416770494706]
TM-vectorを導入し、次にこのベクトルを使ってIndRNNをトレーニングし、最終的に市場のユーザの振る舞いをモデル化します。
提案モデルでは,抽出したTwitter機能と市場情報の両方でTM-vectorを同時にトレーニングする。
提案手法の有効性には様々な要因が用いられている。
論文 参考訳(メタデータ) (2023-03-13T18:55:41Z) - Novel Modelling Strategies for High-frequency Stock Trading Data [4.639889477442706]
生データ処理のための3つの新しいモデリング手法を提案する。
我々は、我々の戦略が予測の統計的に顕著な改善につながることをしばしば示している。
3つの戦略はSVMモデルのF1スコアをそれぞれ0.056、0.087、0.016で改善する。
論文 参考訳(メタデータ) (2022-11-30T22:50:11Z) - 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) - AlphaMLDigger: A Novel Machine Learning Solution to Explore Excess
Return on Investment [1.4502611532302039]
本稿では,高度変動市場における過剰なリターンを効果的に見出す2相AlphaMLDiggerを提案する。
フェーズ1では、Sina Microblogのブログを市場感情に転送するディープシーケンシャルなNLPモデルが提案されている。
第2フェーズでは、予測される市場感情と、ソーシャルネットワーク指標の特徴と株式市場履歴の特徴が組み合わされ、株価の動きが予測される。
論文 参考訳(メタデータ) (2022-06-22T13:37:58Z) - REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。
第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。
第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文 参考訳(メタデータ) (2021-02-15T07:22:09Z) - 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 Stock Market Prediction [0.0]
本稿では,株式市場グループの将来予測に焦点をあてる。
テヘラン証券取引所から多様化ファイナンス、石油、非金属鉱物、塩基性金属の4つのグループを選定する。
予測は1日、5日、10日、15日、20日、30日前に作成される。
論文 参考訳(メタデータ) (2020-03-31T22:50:01Z)
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。