Resultados da nossa pesquisa sobre a aplicação profunda de investimentos a longo prazo
A Euclidean passou o último ano trabalhando em uma investigação minuciosa da aplicação de técnicas de aprendizado profundo para investimentos de longo prazo. Um dos resultados deste processo é um documento revisado por pares que será publicado em dezembro nos trabalhos do Time Series Workshop na conferência dos Sistemas de Processamento de Informação Neural de 2017. Este trabalho foi um esforço colaborativo entre Euclidean e Zachary Lipton , atualmente cientista da Amazon AI e professor assistente da Universidade Carnegie Mellon.
Um Resumo Rápido
Neste artigo, apresentamos como usamos técnicas de aprendizado profundo para prever os dados fundamentais da empresa futura, como ganhos, receita e dívida, a partir de dados fundamentais passados. Nós também mostramos que essas previsões podem ser usadas para melhorar de forma significativa o desempenho do investimento de estratégias de investimento quantitativo amplamente pesquisadas e comercialmente aplicadas que usam rácios de avaliação.
Os resultados refletem o uso de redes neuronais recorrentes de longa duração (RNN) e perceptrons de várias camadas (MLP) para prever futuros fundamentos da empresa a partir de uma série temporal de fundamentos da empresa passada. Fomos motivados a fazer isso pela intuição de que os fundamentos futuros deveriam ter um impacto maior do que os fundamentos atuais sobre o preço futuro de uma ação. Confirmamos essa intuição através de um estudo empírico demonstrando que o conhecimento de fundamentos futuros (uma previsão de clarividência), se possível, melhoraria drasticamente o desempenho de investimentos de carteiras simuladas. Em seguida, mostramos que as carteiras construídas com índices de avaliação que utilizam os fundamentos previstos superam as carteiras construídas com índices de valoração baseados nos fundamentos atuais. Se você quiser saltar todos os aspectos técnicos do documento , aqui estão os resultados fora da amostra durante o período 2000-2016:
Como um pouco de orientação, observe estas definições:
- SP 500 : o retorno total do SP 500 durante o período.
- Média do mercado : o retorno ponderado igual de um portfólio de todas as ações no universo de investimento do papel.
- Preço-LSTM : uma rede neural recorrente usando os fundamentos descritos no documento para prever o retorno relativo diretamente (ao contrário de tentar prever os fundamentos do próximo período).
- QFM ou modelo de fator quantitativo : um modelo de fator tradicional que classifica as empresas no EBIT de 12 meses de trânsito dividido pelo valor atual da empresa.
- LFM-Linear : uma rede neural linear que prevê os fundamentos na próxima etapa do tempo e usando o EBIT previsto dividido pelo valor da empresa atual para classificar as empresas.
- LFM-MLP : um perceptron de várias camadas que prevê os fundamentos na próxima etapa e usando o EBIT previsto, dividido pelo valor da empresa atual para classificar as empresas.
- LFM-RNN : uma rede neuronal recorrente que prevê os fundamentos na próxima etapa e usando o EBIT previsto dividido pelo valor da empresa atual para classificar as empresas.
- MSE e CAR são o erro quadrático médio das previsões fundamentais e o retorno anual composto das carteiras simuladas, respectivamente.
Lições de pesquisa
Através desta pesquisa, aprendemos algumas lições sobre onde o aprendizado profundo pode ser usado com sucesso e onde não pode quando aplicado a questões relacionadas ao investimento a longo prazo.
Lição 1 & ndash; Previsto diretamente RETORNOS DE STOCK com Aprendizagem Profunda
Uma grande lição é que usar o aprendizado profundo para prever diretamente os retornos não é melhor do que o que pode ser alcançado com um modelo linear. Isso pode ser porque há tanto barulho na relação entre os fundamentos e as mudanças de preços. Como suspeitamos que as relações entre os dados fundamentais podem ter uma relação sinal / ruído maior do que a relação entre os fundamentos e o preço, tomamos o exemplo da previsão de seqüência para seqüência no processamento de linguagem natural e consideramos a idéia de prever os fundamentos futuros do passado fundamentos e, em seguida, usando os fundamentos futuros previstos como entradas para um modelo de fator. Foi aqui que encontramos melhores resultados.
Lição 2 – Previsão de fundamentos futuros tem valor real
Formular o problema dessa maneira também levou à questão: se pudéssemos prever os fundamentos perfeitamente (clarividentemente), qual a grande oportunidade de desempenho? Bem, pode não surpreender você achar que se poderia (em teoria, é claro) alcançar uma performance excepcional com acesso clarividente aos fundamentos futuros. Referimo-lo aqui, no entanto, porque tem havido muita discussão na comunidade financeira sobre se há algum valor no uso dos ganhos relatados em modelos de investimento . Nossos resultados sugerem que quanto melhor você pode prever os fundamentos futuros, maior a sua oportunidade para retornos futuros e isso, é claro, motiva pesquisas adicionais.
Lição 3 – Redes Neurais PROFUNDAS superam modelos lineares
Observamos e compartilhamos resultados explicando que as redes neurais profundas e recorrentes podem prever os fundamentos do próximo período melhor do que o que pode ser alcançado com modelos lineares. Além disso, também descobrimos que o uso das previsões da rede neural profunda do EBIT do próximo período em um modelo de fatores supera a abordagem ingênua de usar EBIT de doze meses. As implicações disso são encorajadoras para uma maior exploração de técnicas de aprendizagem profunda em investimentos de longo prazo.
Contact Information:
Guest Post
Tags:
, Wire, Artificial Intelligence Newswire, United States, Portuguese
Keywords: afds, afdsafds