Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management

要約

急速なグローバル化とデジタル化の時代において、金融市場の非定常性と従来の地域およびセクター分類の曖昧さにより、類似銘柄を正確に特定することがますます困難になっています。
これらの課題に対処するために、自己教師あり学習 (SSL) と時間領域一般化の技術を組み合わせて金融時系列データの堅牢で有益な表現を学習する、新しい時間的自己教師あり学習フレームワークである SimStock を検証します。
私たちの研究の主な焦点は、世界的な金融情勢の複雑なダイナミクスを考慮し、より広い視点から株式間の類似点を理解することです。
私たちは、数千の銘柄を含む 4 つの現実世界のデータセットで広範な実験を実施し、類似銘柄の検索における SimStock の有効性が既存の手法を上回ることを実証しました。
SimStock の実用性は、ペア取引、インデックス追跡、ポートフォリオの最適化などのさまざまな投資戦略への適用を通じて実証され、従来の手法と比較して優れたパフォーマンスが得られます。
私たちの調査結果は、刻々と変化する世界的な金融情勢に直面して、時間的自己教師あり学習の力を活用することで、投資の意思決定とリスク管理の実践を強化するデータ駆動型アプローチの可能性を実証的に検証しています。

要約(オリジナル)

In the era of rapid globalization and digitalization, accurate identification of similar stocks has become increasingly challenging due to the non-stationary nature of financial markets and the ambiguity in conventional regional and sector classifications. To address these challenges, we examine SimStock, a novel temporal self-supervised learning framework that combines techniques from self-supervised learning (SSL) and temporal domain generalization to learn robust and informative representations of financial time series data. The primary focus of our study is to understand the similarities between stocks from a broader perspective, considering the complex dynamics of the global financial landscape. We conduct extensive experiments on four real-world datasets with thousands of stocks and demonstrate the effectiveness of SimStock in finding similar stocks, outperforming existing methods. The practical utility of SimStock is showcased through its application to various investment strategies, such as pairs trading, index tracking, and portfolio optimization, where it leads to superior performance compared to conventional methods. Our findings empirically examine the potential of data-driven approach to enhance investment decision-making and risk management practices by leveraging the power of temporal self-supervised learning in the face of the ever-changing global financial landscape.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google