論文の概要: Automatic Identification and Classification of Share Buybacks and their
Effect on Short-, Mid- and Long-Term Returns
- arxiv url: http://arxiv.org/abs/2209.12863v1
- Date: Mon, 26 Sep 2022 17:29:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-27 15:23:01.644213
- Title: Automatic Identification and Classification of Share Buybacks and their
Effect on Short-, Mid- and Long-Term Returns
- Title(参考訳): 株式買い戻しの自動識別と分類と短期的・中期的・長期的リターンへの影響
- Authors: Thilo Reintjes
- Abstract要約: この論文は株式買い戻し、特に株式買い戻しの発表を調査している。
このような発表の認識方法、株式買い戻しの過剰なリターン、および株式買い戻しの発表後のリターン予測に対処する。
この論文では、これらのNLPメソッドを使用して57,155株の買い戻し発表からなる大規模なデータセットを生成する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This thesis investigates share buybacks, specifically share buyback
announcements. It addresses how to recognize such announcements, the excess
return of share buybacks, and the prediction of returns after a share buyback
announcement. We illustrate two NLP approaches for the automated detection of
share buyback announcements. Even with very small amounts of training data, we
can achieve an accuracy of up to 90%. This thesis utilizes these NLP methods to
generate a large dataset consisting of 57,155 share buyback announcements. By
analyzing this dataset, this thesis aims to show that most companies, which
have a share buyback announced are underperforming the MSCI World. A minority
of companies, however, significantly outperform the MSCI World. This
significant overperformance leads to a net gain when looking at the averages of
all companies. If the benchmark index is adjusted for the respective size of
the companies, the average overperformance disappears, and the majority
underperforms even greater. However, it was found that companies that announce
a share buyback with a volume of at least 1% of their market cap, deliver, on
average, a significant overperformance, even when using an adjusted benchmark.
It was also found that companies that announce share buybacks in times of
crisis emerge better than the overall market. Additionally, the generated
dataset was used to train 72 machine learning models. Through this, it was able
to find many strategies that could achieve an accuracy of up to 77% and
generate great excess returns. A variety of performance indicators could be
improved across six different time frames and a significant overperformance was
identified. This was achieved by training several models for different tasks
and time frames as well as combining these different models, generating
significant improvement by fusing weak learners, in order to create one strong
learner.
- Abstract(参考訳): この論文は株式買い戻し、特に株式買い戻しの発表を調査している。
それは、その発表の認識方法、株式買い戻しの過剰なリターン、および株式買い戻しの発表後のリターンの予測に対処する。
株式買い戻し発表を自動的に検出するための2つのNLPアプローチについて説明する。
非常に少量のトレーニングデータであっても、最大90%の精度を達成できます。
この論文では、これらのNLPメソッドを使用して57,155株の買い戻し発表からなる大規模なデータセットを生成する。
この論文は、このデータセットを分析して、株式買い戻しを発表したほとんどの企業がMSCI Worldを下回っていることを示している。
しかし、少数の企業はMSCIワールドをはるかに上回っている。
この大きなオーバーパフォーマンスは、すべての企業の平均を見てみると、純利益につながる。
ベンチマーク指標が各企業の規模に合わせて調整された場合、平均オーバーパフォーマンスは消失し、過半数がさらにパフォーマンスが低下する。
しかし、調整されたベンチマークを使用した場合であっても、時価総額の1%以上で株式買い戻しを発表した企業は、平均してかなりのオーバーパフォーマンスを実現していることがわかった。
また、危機時の株式買い戻しを公表する企業は、市場全体よりも良好であることが判明した。
さらに、生成されたデータセットは72の機械学習モデルのトレーニングに使用された。
これにより、最大77%の精度を達成し、大きな余分なリターンを生み出す多くの戦略を見つけることができた。
6つの異なる時間枠で様々なパフォーマンス指標が改善され、かなりのオーバーパフォーマンスが特定できた。
これは、異なるタスクと時間フレームのために複数のモデルをトレーニングし、これらの異なるモデルを組み合わせることで達成され、弱い学習者を使って大きな改善をもたらし、1つの強い学習者を生み出す。
関連論文リスト
- AI in Investment Analysis: LLMs for Equity Stock Ratings [0.2916558661202724]
本稿では,Large Language Models (LLMs) のマルチ水平ストックレーティングへの適用について検討する。
本研究は、LLMを活用して株価評価の精度と一貫性を向上させることで、これらの課題に対処する。
提案手法は,フォワードリターンで評価した場合,従来の株価評価手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2024-10-30T15:06:57Z) - Neuroevolution Neural Architecture Search for Evolving RNNs in Stock Return Prediction and Portfolio Trading [6.770128010270421]
本稿では,ストックリターン予測のために,進化的eXploration of Augmenting Memory Models (EXAMM)アルゴリズムを用いて,リカレントニューラルネットワーク(RNN)を段階的に進化させる手法を提案する。
RNNは各株ごとに独立して進化し、ポートフォリオトレーディングの決定は予測された株価のリターンに基づいて行われる。
その結果,2022年と2023年はDJI指数とS&P500指数よりも高いリターンを得られることが示唆された。
論文 参考訳(メタデータ) (2024-10-22T17:37:18Z) - Monte Carlo Tree Search Boosts Reasoning via Iterative Preference Learning [55.96599486604344]
本稿では,Large Language Models (LLMs) の推論能力向上を目的とした,反復的な選好学習プロセスによるアプローチを提案する。
我々は、MCTS(Monte Carlo Tree Search)を用いて好みデータを反復的に収集し、そのルックアヘッド機能を利用して、インスタンスレベルの報酬をよりきめ細かいステップレベルの信号に分解する。
提案アルゴリズムはDPO(Direct Preference Optimization)を用いて,新たに生成されたステップレベルの優先度データを用いてLCMポリシーを更新する。
論文 参考訳(メタデータ) (2024-05-01T11:10:24Z) - 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) - Fuzzy Expert System for Stock Portfolio Selection: An Application to
Bombay Stock Exchange [0.0]
ボンベイ証券取引所(BSE)の株式評価と格付けのためにファジィエキスパートシステムモデルが提案されている。
このモデルの性能は、最近の株のパフォーマンスと比較すると、短期的な投資期間で十分であることが判明した。
論文 参考訳(メタデータ) (2022-04-28T10:01:15Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳(メタデータ) (2021-09-14T18:50:38Z) - A comparative study of Different Machine Learning Regressors For Stock
Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。
目標は、履歴データを用いて翌日の株式の公開価格を計算することである。
このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文 参考訳(メタデータ) (2021-04-14T15:37:33Z) - Feature Learning for Stock Price Prediction Shows a Significant Role of
Analyst Rating [0.38073142980733]
5つの技術的指標と23の基本的な指標が特定され、株式市場で過剰なリターンを生み出す可能性を確立した。
いずれの日でも、将来的には、価格変化の方向を1%から10日間まで予測することができました。
予測の精度は83.62%で、購入信号の精度は85%、販売信号のリコールは100%であった。
論文 参考訳(メタデータ) (2021-03-13T03:56:29Z) - 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) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳(メタデータ) (2020-10-28T17:53:57Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳(メタデータ) (2020-06-08T23:37:47Z)
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。