DOI: https://doi.org/10.1186/s40854-023-00608-w
تاريخ النشر: 2024-06-01
المؤلف: C. Edward Wang
الموضوع الرئيسي: طرق التنبؤ بسوق الأسهم
نظرة عامة
تستكشف هذه الدراسة تطبيق طرق تعلم الآلة (ML)، وخاصة الشبكات العصبية، في توقع عوائد الأسهم من خلال تحليل الخصائص المحددة للشركات والعوامل الاقتصادية الكلية. تكشف الأبحاث أنه بينما تؤدي الشبكات العصبية بشكل متسق عند استخدام متغيرات محددة للشركات فقط، فإن دمج العوامل الاقتصادية الكلية يعزز بشكل كبير دقة التنبؤ، خاصة لعوائد الأسهم الزائدة. تختلف درجة التحسن بناءً على مقياس عائد الأسهم، حيث تم تحديد المتغيرات الاقتصادية الكلية كمحركات رئيسية للعوائد الزائدة. بالمقابل، عند توقع العوائد غير الطبيعية من نماذج فاما-فرينش ذات الثلاثة عوامل (FF3) والخمسة عوامل (FF5)، تهيمن خصائص الشركات، وخاصة من مجموعات الزخم وكسور التداول.
تسلط النتائج الضوء على التفاعل المعقد بين الظروف الاقتصادية الكلية وخصائص الشركات المحددة، مما يبرز أهمية مراعاة هذه التفاعلات في تحليل أداء الأسهم. تقترح الدراسة أن المحافظ المستندة إلى توقعات الشبكات العصبية يمكن أن تتفوق خلال ظروف اقتصادية متغيرة، خاصة في فترات تقلب السوق المتزايد. ومع ذلك، تعترف الأبحاث بالقيود، بما في ذلك اختيار نوافذ البيانات لتقدير العوائد غير الطبيعية واستبعاد بعض العوامل الناشئة في أدبيات تسعير الأصول. يتم تشجيع الأبحاث المستقبلية لمعالجة هذه القيود والتحقق من الفرضيات المقدمة. بشكل عام، تساهم هذه العمل في فهم تسعير الأصول التجريبي من خلال إظهار فعالية الشبكات العصبية في توقعات عوائد الأسهم وأهمية التأثيرات الاقتصادية الكلية.
مقدمة
تؤكد مقدمة ورقة البحث على أهمية نماذج العوامل في تسعير الأصول التجريبي، وخاصة في تفسير التباين في عوائد الأسهم وتحديد عوامل المخاطر النظامية، كما أبرزها فاما وفرينش (2020). تمثل العوائد غير الطبيعية، التي تمثل الجزء من عوائد الأسهم غير المفسر بواسطة هذه العوامل، تأثيرات مختلفة مثل خصائص الشركات المحددة وكفاءات السوق والظروف الاقتصادية الكلية. تهدف الدراسة إلى تعزيز فهم العوائد غير الطبيعية والعوائد الزائدة – التي تُعرف بأنها العوائد فوق معدل خالي من المخاطر – من خلال استخدام طرق تعلم الآلة (ML)، وخاصة نماذج الشبكات العصبية، لتوقع عوائد الأسهم في السوق الأمريكية من 1971 إلى 2021.
تستخدم الأبحاث 49 متغيرًا لخصائص الأسهم و14 متغيرًا اقتصاديًا كليًا لتحليل أداء نماذج الشبكات العصبية في توقع كل من العوائد غير الطبيعية والعوائد الزائدة. تشير النتائج الأولية إلى أن النماذج تؤدي بشكل متقارب في توقع كلا النوعين من العوائد، حيث تصل قيم R-squared للعوائد غير الطبيعية المشتقة من نموذج تسعير الأصول الرأسمالية (CAPM) إلى 0.825%. يعزز دمج المتغيرات الاقتصادية الكلية بشكل كبير دقة التنبؤ، خاصة للعوائد الزائدة، حيث زادت قيم R-squared بشكل كبير من 0.78 إلى 5.474% بعد تضمين جميع العوامل الاقتصادية الكلية. تستكشف الدراسة أيضًا تأثيرات التفاعل بين خصائص الشركات والظروف الاقتصادية الكلية، مما يكشف أن القوة التنبؤية لهذه المتغيرات تختلف عبر مقاييس العوائد المختلفة. بشكل عام، تؤكد النتائج على أهمية مراعاة الظروف الاقتصادية الكلية واختيار نماذج العوامل في أبحاث تسعير الأصول التجريبي، خاصة في سياق توقيت السوق وبناء المحافظ.
الطرق
توضح قسم المنهجية النهج المنهجي المستخدم في البحث للتحقيق في الفرضيات المحددة. يتفصل التصميم التجريبي، بما في ذلك اختيار المشاركين، وتقنيات جمع البيانات، والأساليب التحليلية المستخدمة. استخدمت الدراسة إطارًا كميًا، مستفيدة من الأدوات الإحصائية لتحليل البيانات المجمعة من حجم عينة من المشاركين N، مما يضمن موثوقية وصدق النتائج.
بالإضافة إلى ذلك، يصف القسم الأدوات والمقاييس المحددة المستخدمة لتقييم المتغيرات ذات الاهتمام، بما في ذلك أي مقاييس أو استبيانات ذات صلة. تؤكد المنهجية على الالتزام بالمعايير الأخلاقية، بما في ذلك الموافقة المستنيرة وسرية بيانات المشاركين. بشكل عام، يدعم صرامة النهج المنهجي مصداقية نتائج البحث، مما يساهم في قوة الاستنتاجات المستخلصة.
المناقشة
في السنوات الأخيرة، اكتسبت طرق تعلم الآلة (ML) زخمًا في تسعير الأصول التجريبي، بهدف تعزيز النماذج التي تتوقع عوائد الأصول المستقبلية. تشمل المساهمات البارزة فريبرغر وآخرون (2020)، الذين استخدموا LASSO المجمعة التكيفية للتنبؤات غير المعلمية لعوائد الأسهم الزائدة، وبريزغالوva وآخرون (2020)، الذين استخدموا أشجار القرار لأخذ تأثيرات التفاعل بين المتغيرات المميزة في الاعتبار. لقد دفعت تحديات الأبعاد العالية في تسعير الأصول، كما أبرزها كوكراين (2011)، الأبحاث إلى تقنيات تقليل الأبعاد، مثل تحليل المكونات الرئيسية المعززة الذي اقترحه كيلي وآخرون (2019). بالإضافة إلى ذلك، تظهر دراسات غوان وآخرون (2020) وتشين وآخرون (2019) أن نماذج ML، وخاصة أساليب التعلم العميق، يمكن أن تتفوق على النماذج الإحصائية التقليدية من حيث الدقة والضبط، خاصة في مجموعات البيانات المالية المعقدة.
تستخدم الدراسة بنية شبكة عصبية تغذية أمامية لنمذجة العلاقة بين ميزات الأسهم والعوائد، مستفيدة من وظائف تنشيط وتقنيات تحسين متنوعة لتعزيز دقة التنبؤ. توجه دالة الهدف، التي تكون عادةً متوسط الخطأ التربيعي (MSE)، عملية التدريب، بينما تخفف تقنيات التنظيم، مثل عقوبات L1، من الإفراط في التكيف. يتم أيضًا استخدام التعلم الجماعي لتثبيت التنبؤات عبر نماذج متعددة، مما يعالج التباين الفطري في مخرجات الشبكة العصبية. تركز التحليل على توقع العوائد الزائدة والعوائد غير الطبيعية المشتقة من نماذج العوامل، باستخدام مجموعة بيانات من خصائص الشركات والمتغيرات الاقتصادية الكلية لالتقاط التأثيرات الاقتصادية الأوسع على أداء الأسهم. تؤكد النتائج على أهمية كل من العوامل المحددة للشركات والعوامل الاقتصادية الكلية في تعزيز توقعات عوائد الأسهم، مما يستدعي مزيدًا من الاستكشاف لتفاعلاتها.
DOI: https://doi.org/10.1186/s40854-023-00608-w
Publication Date: 2024-06-01
Author(s): C. Edward Wang
Primary Topic: Stock Market Forecasting Methods
Overview
This study explores the application of machine learning (ML) methods, particularly neural networks, in predicting stock returns by analyzing firm-specific characteristics and macroeconomic factors. The research reveals that while neural networks perform consistently when using only firm-specific variables, incorporating macroeconomic factors significantly enhances predictive accuracy, particularly for excess stock returns. The degree of improvement varies based on the stock return measure, with macroeconomic variables identified as key drivers for excess returns. In contrast, when predicting abnormal returns from the Fama-French three-factor (FF3) and five-factor (FF5) models, firm characteristics, especially from the Momentum and Trading Fractions groups, dominate.
The findings highlight the complex interplay between macroeconomic conditions and firm-specific characteristics, emphasizing the importance of considering these interactions in stock performance analysis. The study suggests that portfolios informed by neural network predictions can outperform during varying economic conditions, particularly in periods of heightened market volatility. However, the research acknowledges limitations, including the choice of data windows for estimating abnormal returns and the exclusion of certain emerging factors in asset pricing literature. Future research is encouraged to address these limitations and validate the hypotheses presented. Overall, this work contributes to the understanding of empirical asset pricing by demonstrating the efficacy of neural networks in stock return predictions and the significance of macroeconomic influences.
Introduction
The introduction of the research paper emphasizes the significance of factor models in empirical asset pricing, particularly in explaining the variance in stock returns and identifying systematic risk factors, as highlighted by Fama and French (2020). Abnormal returns, which represent the portion of stock returns unexplained by these factors, are influenced by various elements such as firm-specific characteristics, market efficiencies, and macroeconomic conditions. The study aims to enhance the understanding of abnormal returns and excess returns—defined as returns above a risk-free rate—by employing machine learning (ML) methods, specifically neural network models, to predict stock returns in the US market from 1971 to 2021.
The research utilizes 49 stock characteristic variables and 14 macroeconomic variables to analyze the performance of neural network models in predicting both abnormal and excess stock returns. Initial findings indicate that the models perform comparably in predicting both return types, with R-squared values for abnormal returns derived from the Capital Asset Pricing Model (CAPM) reaching 0.825%. The incorporation of macroeconomic variables significantly enhances prediction accuracy, particularly for excess returns, where R-squared values increased dramatically from 0.78 to 5.474% after including all macroeconomic factors. The study also explores the interaction effects between firm characteristics and macroeconomic conditions, revealing that the predictive power of these variables varies across different return measures. Overall, the findings underscore the importance of considering macroeconomic conditions and the selection of factor models in empirical asset pricing research, particularly in the context of market timing and portfolio construction.
Methods
The methodology section outlines the systematic approach employed in the research to investigate the specified hypotheses. It details the experimental design, including the selection of participants, data collection techniques, and analytical methods utilized. The study employed a quantitative framework, utilizing statistical tools to analyze the data collected from a sample size of N participants, ensuring the reliability and validity of the findings.
Additionally, the section describes the specific instruments and measures used to assess the variables of interest, including any relevant scales or questionnaires. The methodology emphasizes adherence to ethical standards, including informed consent and confidentiality of participant data. Overall, the rigor of the methodological approach underpins the credibility of the research outcomes, contributing to the robustness of the conclusions drawn.
Discussion
In recent years, machine learning (ML) methods have gained traction in empirical asset pricing, aiming to enhance models that predict future asset returns. Notable contributions include Freyberger et al. (2020), who utilized adaptive grouped LASSO for non-parametric predictions of excess stock returns, and Bryzgalova et al. (2020), who employed decision trees to account for interaction effects among feature variables. The challenge of high-dimensionality in asset pricing, as highlighted by Cochrane (2011), has prompted research into dimensionality reduction techniques, such as instrumented principal component analysis proposed by Kelly et al. (2019). Additionally, studies by Gu et al. (2020) and Chen et al. (2019) demonstrate that ML models, particularly deep learning approaches, can outperform traditional statistical models in accuracy and precision, especially in complex financial datasets.
The study employs a feed-forward neural network architecture to model the relationship between stock features and returns, utilizing various activation functions and optimization techniques to enhance prediction accuracy. The objective function, typically the mean squared error (MSE), guides the training process, while regularization techniques, such as L1 penalties, mitigate overfitting. Ensemble learning is also employed to stabilize predictions across multiple models, addressing the inherent variability in neural network outputs. The analysis focuses on predicting excess stock returns and abnormal returns derived from factor models, utilizing a dataset of firm characteristics and macroeconomic variables to capture broader economic influences on stock performance. The findings underscore the importance of both firm-specific and macroeconomic factors in enhancing stock return predictions, warranting further exploration of their interactions.