投资组合的最佳股票推荐策略

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Top performing stocks recommendation strategy for portfolio》
---
作者：
Kartikay Gupta and Niladri Chatterjee
---
最新提交年份：
2019
---
英文摘要：
  Stock return forecasting is of utmost importance in the business world. This has been the favourite topic of research for many academicians since decades. Recently, regularization techniques have reported to tremendously increase the forecast accuracy of the simple regression model. Still, this model cannot incorporate the effect of things like a major natural disaster, large foreign influence, etc. in its prediction. Such things affect the whole stock market and are very unpredictable. Thus, it is more important to recommend top stocks rather than predicting exact stock returns. The present paper modifies the regression task to output value for each stock which is more suitable for ranking the stocks by expected returns. Two large datasets consisting of altogether 1205 companies listed at Indian exchanges were used for experimentation. Five different metrics were used for evaluating the different models. Results were also analysed subjectively through plots. The results showed the superiority of the proposed techniques.
---
中文摘要：
股票收益预测在商业世界中至关重要。几十年来，这一直是许多学者最喜欢的研究课题。最近，据报道，正则化技术极大地提高了简单回归模型的预测精度。然而，该模型无法在预测中纳入重大自然灾害、巨大外国影响等因素的影响。这些事情会影响整个股市，而且非常不可预测。因此，推荐顶级股票比预测准确的股票回报更重要。本文将回归任务修改为每个股票的产值，这更适合按预期收益对股票进行排序。实验使用了两个大型数据集，共有1205家在印度交易所上市的公司。使用五种不同的指标来评估不同的模型。还通过绘图对结果进行了主观分析。结果表明了所提方法的优越性。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--

---
PDF下载：
--> Top_performing_stocks_recommendation_strategy_for_portfolio.pdf (571.41 KB)

2022-6-11 12:54:30 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：股票推荐 投资组合 Applications Quantitative Mathematical

基于大量股票比较的股票推荐策略Skartikay Guptaa*和Niladri ChatterjeeaAbstractStock return预测在商业世界中至关重要。几十年来，这一直是许多学院派学者最喜欢的研究课题。近年来，正则化技术极大地提高了simpleregression模型的预测精度。然而，这些模型无法在预测中纳入不可预测因素的影响，如重大自然灾害、巨大的外国影响等。他们只是试图根据每个时间序列的过去值来预测未来值。因此，推荐顶级股票比预测准确的股票回报更重要。本文将回归任务修改为每个股票的产值，这更适合按预期收益对股票进行排序。这一排名与上一季度的股票相比毫无差距。实验使用了两个大型数据集，共有1205家印度交易所上市的公司。随机梯度下降（SGD）技术在这项工作中被用来训练参数，这允许扩展到更大的数据集。使用五种不同的指标来评估不同的模型。还通过绘图对结果进行了主观分析。结果表明了所提方法的优越性。关键词：股票收益率、预测、基本面、回归、排名1。介绍股票价格预测对于投资组合管理和投资目的非常重要。粗略估计，全球约有630000家公司在公开交易。

在过去十年左右的时间里，人们提出了大量的技术来解决预测公司股价或股权水平差异过大的问题。其中一些是【1】–【7】。这些研究人员使用各种指标进行预测，包括技术指标和基本指标。这些研究可能得出的共识是，股权溢价在不同的时期是可以预测的。本研究证实了上述结论。它进一步提出了一种新技术，使用Kitchensink回归[8]和一系列基本、技术和一般指标。”Kitchen-sink回归将所有可能的独立变量放入回归方程中，以便能够预测因变量的值。回归参数的训练方式是，模型得分应按照下一季度回报的顺序对公司进行排名。在这种方法中，在训练模型时，不重视预测实际回报。但这是印度新德里IIT德里数学系的期望*通讯作者详细信息：Kartikay Gupta，印度新德里IIT德里数学系，Pin:110016，印度邮件：maz158144@iitd.ac.in.that模型得分越高的公司下个季度的回报率越高。这种技术应该消除不可预测因素的影响，如天气条件或外国对国民经济的影响。这种拟议的技术将被称为秩回归（RR），因为在此回归输出旨在对给定列表中的样本进行秩次，而不是预测每个样本的目标值。这项技术将在下一节中进一步阐述。

通过实验说明，上述战略推荐的顶级公司的业绩优于其他通用技术。与超大数据集相比，通过所提议的模型推荐的顶级公司的季度回报率高于其他模型。论文的其余部分组织如下。第2节简要回顾了该主题的文献。第3节解释了拟议的rankregression技术和评估指标。第四节给出了实验结果。第5节讨论了证明所提出模型优越性的实验结果的优点。第6节给出了结论。2、文献综述本论文利用一种建立在厨房水槽回归之上的技术，在一大组重要变量的条件下预测股票回报。厨房水槽回归使用所有可用的解释变量形成一个线性函数，试图输出目标值。假设（Xi，yi），即[1，2，…..N]是需要进行kitchensink回归的数据点。这里是Xi=() 是解释变量的向量，y是对应的目标。然后，尝试同时求解以下线性方程组。 一般来说，可能不存在精确解，但可以获得参数（pi），从而使以下损失函数最小化。 功能然后可以用来估计未知的彝语。现有各种研究论文[9]–[11]，分析了所用变量的某些子集对股票回报的影响。

在【11】中进行的研究中，经验表明，股票收益率与债务股本比之间存在正相关关系。股票收益率与四个公司基本面变量（市值、账面权益与市场权益比率、市盈率和债务权益比率）之间的统计显著关系如【10】所示。Bhar等人[9]的经验表明，油价回报和印度股票回报之间存在着统计上显著的关系。这种关系往往是消极的。由于印度进口石油，油价上涨导致印度公司的进口账单上涨，最终导致股票回报率下降。他们还指出，印度经济总体上不受外部全球事件的影响。在【2】所做的工作中，分析了股票溢价预测中某些重要变量的表现。他们发现，仅这些重要变量对于盈利和及时预测来说并不可靠。我们同意这样的观点，即获得良好的预测无疑是困难的，但一些变量确实包含有用的信息，本文将对此进行讨论。他们的发现在研究工作中得到了证实。文献[3]中的经验表明，如果将EWEK限制置于系数和变量的符号上，许多预测变量会超过历史平均回报率。[1]中组合了许多变量，以使用单个变量的组合能力获得预测。他们的经验表明，他们的策略有助于减少预测波动性，同时将来自多个变量的信息纳入预测中。

本研究还使用了几个变量的组合幂来进行股票预测。样本外可预测性不平等溢价风险的存在如【12】所示。他们使用随机线性回归模型来预测标准普尔500指数的月收益率。他们将系数建模为随机行走模型，并允许其随时间变化。目前的研究不允许模型中存在这种不确定性，而是将任何不确定性仅包含在误差项中。这使模型保持简单和精确，同时仍能显示其有效性。在【5】中进行的研究中，显示了将几个技术和经济基本变量相结合在获得更好的股本回报预测中的重要性。Jiahan等人[13]还利用厨房水槽回归预测了以经济基本面为条件的汇率。最近的一项工作[6]还利用厨房水槽回归来预测股本回报。他们将预测期定为一个月，并使用月度经济基本指标。在训练回归模型的参数时，他们将效率的符号与股票基本面和预期回报之间的理论激励符号相同。这是通过首先获得系数来实现的，然后将这些系数设为零，而零没有所需的符号。其次，他们在最终误差中加入了L1和L2调节项，使系数保持较小。在L1正则化中，系数的绝对值在平方损失函数中也是最小的。在L2调节中，系数的平方值与损失函数一起最小化。

他们的发现是，股票溢价是可以通过样本预测的。3、方法我们使用了一组25个指标（如附录表3A所示）来预测每家公司四分之一的相对回报。用于为每个样本生成相对回报的季度回报值等于：（1） 其中，Pis为股票价格的四分之一，Pis为当前股票价格。共有25个指标用于训练回归模型。本研究中使用的秩回归模型具有以下形式：  （2） 其中，Pi是特征值fi的系数，Aj是季度返回值，Ej是JTH样本的误差。通常，在方程式（2）中，平方误差之和，即：。，最小化以找到效率“pi”的值。此外，如果正在进行L2正则化，则损失采用以下形式。（3） 然后，将所有公司的损失函数最小化，以获得系数“pi”值。然而，在目前的方法中，以下损失函数被最小化，以获得系数“pi”的值。损失= 其中l表示季度数，表示包含属于第四季度的样本的集合，Ejis如等式（2）所述，| Bl |是集合Bl的心性。这里，每个批次的误差平均值从每个公司的误差值（ej）中减去。

因此，由于一些不可预测的事件，某个季度的表现非常差或非常好，那么这个均值减去项将抵消回归方程中的影响。换言之，如果任何一个季度的所有公司的目标值都被一个常量改变，那么参数值仍然不会改变。参数不需要学习/记录变化，并获得更大的灵活性/自由度来获取所需的比较变化。此外，如果正在进行L2正则化，那么损失将采取以下形式：损失= 然后，在所有公司/样本上最小化该损失函数，以获得系数“pi”值。数据集功能中缺少的值将替换为零。缺失值总计占NSE数据集中所有值的5.2%。“Hist To tDebt Comm Eqty Pct”（历史总债务与普通股的比率）一词的缺失值总计高达2%。四个特征（“历史到tDebt Comm Eqty Pct”、“PE”（每股收益价格）、“股息收益率”、“每股总收益价格”）占所有损失价值的80%。在比NSE数据集小得多的BSE数据集中，缺失值总计占所有数据集值的13.2%。

最大缺失值在功能“Hist To tDebt Commeqy Pct”中，总计高达所有数据集值的2.7%。与经济相对应的四个特征，即“USD/INR”（美元/卢比即期利率）、“IN10YT=RR”（印度政府10年期债券收益率）、“INRPM=RBIA”（印度回购利率流动性调整工具）和“MCGBc1”（印度原油能源期货）在两个数据集中的任何样本中都没有缺失值。然后对特征进行归一化，即训练数据集中特征的平均值和标准差分别等于0和1。3.1参数培训程序未优化参数以预测实际回报。取而代之的是，这些参数的训练方式是，模型应该根据每个季度的预期回报率对公司进行排名。这是通过以下方式完成的。培训数据中的样本根据季度时间段进行划分。因此，包含给定季度每个公司信息的样本都保存在一个批次中。因此，每个季度都由一个批次表示，该批次包含该季度每个公司的相关信息。为每个批次生成预测，并与目标/实际值进行比较，以找出损失。然后，将预测值和目标值集中到零。计算最终损失。然后，计算每个参数的损失梯度。此处遵循的培训程序将按顺序更新参数集，以便在每个历元中减少任何一组参数的完全损失。参数会根据其梯度进行更新，以将最终误差降至最低。图1给出了所提出算法的伪代码。让我们将上述伪代码中包含术语“集中式”的步骤称为BatchCentralization。

“批量集中”一词的灵感来源于深层神经网络文献[14]。在[14]中，批处理归一化是深度神经网络层之间的一种归一化，这显著提高了模型的性能。在目前的工作中，批量集中是为了解决影响批发市场的问题。诸如外国影响、ZF政策的重大修改、天气等影响整个市场，需要中和其影响。批量集中不仅仅是集中目标值。这里的参数具有灵活性，可以在任何批次/季度将预测值移动任意常数，但不会增加误差。因此，如前所述，培训是分批集中进行的。该模型根据所需季度的预期回报率对公司进行排名。在测试模型时，输出值用于对每个季度的公司进行排名。产值较高的公司排名相对较高。最后，根据该排名选出投资组合中的顶级公司。3.2实验细节Jiahan等人【6】比较了具有不同正则化（L1正则化、L2正则化或两者）的回归模型的性能。他们报告称，在扩张期间，采用L2正则化的岭KS回归在这三种模型中表现最好。根据美国国家经济研究局（NBER）的定义，扩张表示股票价格普遍上涨的经济时期。