Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock Recommendation via Split Variational Adversarial Training

要約

株式市場で投資を成功させるには、利益とリスクのバランスが適切であることが必要です。
ランク付けパラダイムの学習に基づいて、株式推奨は、投資家に収益率の高い株式を推奨するために、クオンツ・ファイナンスにおいて広く研究されてきました。
利益を上げるための努力にもかかわらず、多くの既存の推奨アプローチには依然としてリスク管理に制限があり、実際の株式投資では耐えられない紙の損失につながる可能性があります。
リスクを効果的に軽減するために、私たちは敵対的学習からインスピレーションを得て、リスクを意識した銘柄推奨のための新しい分割変分敵対的トレーニング (SVAT) 手法を提案します。
基本的に、SVAT は、株式モデルがリスクのある銘柄例の敵対的な摂動に敏感になることを奨励し、摂動から学習することでモデルのリスク認識を強化します。
リスク指標として代表的な敵対的な例を生成するために、多様なリスク要因をモデル化する変分摂動ジェネレーターを考案します。
特に、変分アーキテクチャにより、私たちの方法は投資家に大まかなリスクの定量化を提供することができ、解釈可能性というさらなる利点を示します。
いくつかの現実世界の株式市場データセットでの実験により、SVAT 手法の優位性が実証されました。
SVAT は、株式推奨モデルのボラティリティを下げることにより、投資リスクを効果的に軽減し、リスク調整後の利益の点で最先端のベースラインを 30% 以上上回ります。
すべての実験データとソース コードは、https://drive.google.com/drive/folders/14AdM7WENEvIp5x5bV3zV_i4Aev21C9g6?usp=sharing で入手できます。

要約(オリジナル)

In the stock market, a successful investment requires a good balance between profits and risks. Based on the learning to rank paradigm, stock recommendation has been widely studied in quantitative finance to recommend stocks with higher return ratios for investors. Despite the efforts to make profits, many existing recommendation approaches still have some limitations in risk control, which may lead to intolerable paper losses in practical stock investing. To effectively reduce risks, we draw inspiration from adversarial learning and propose a novel Split Variational Adversarial Training (SVAT) method for risk-aware stock recommendation. Essentially, SVAT encourages the stock model to be sensitive to adversarial perturbations of risky stock examples and enhances the model’s risk awareness by learning from perturbations. To generate representative adversarial examples as risk indicators, we devise a variational perturbation generator to model diverse risk factors. Particularly, the variational architecture enables our method to provide a rough risk quantification for investors, showing an additional advantage of interpretability. Experiments on several real-world stock market datasets demonstrate the superiority of our SVAT method. By lowering the volatility of the stock recommendation model, SVAT effectively reduces investment risks and outperforms state-of-the-art baselines by more than 30% in terms of risk-adjusted profits. All the experimental data and source code are available at https://drive.google.com/drive/folders/14AdM7WENEvIp5x5bV3zV_i4Aev21C9g6?usp=sharing.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google