股票回购的自动识别与分类及其对短、中、长期收益的影响

本论文研究股票回购，具体而言是股票回购公告。它探讨了如何识别此类公告、股票回购的超额收益，以及回购公告后收益的预测。我们阐释了两种用于自动检测股票回购公告的 NLP（自然语言处理）方法。即便训练数据量极少，我们也能达到高达 90% 的准确率。本论文利用这些 NLP 方法生成了一个由 57,155 条股票回购公告组成的大型数据集。通过分析该数据集，本论文旨在表明，大多数发布股票回购公告的公司相对于 MSCI World 指数表现不佳。然而少数公司显著跑赢 MSCI World。这一显著的超额表现使得在考察所有公司的平均值时呈现净收益。若基准指数按公司相应规模进行调整，平均超额表现消失，且多数公司表现不佳的程度更甚。不过，研究发现，宣布回购规模至少占其市值 1% 的公司，即便使用调整基准，平均而言仍呈现显著超额表现。还发现，在危机时期宣布股票回购的公司表现优于整体市场。此外，所生成的数据集被用于训练 72 个机器学习模型。借此，我们找到了许多可实现高达 77% 准确率并产生巨大超额收益的策略。在六个不同时间框架上多种绩效指标得以改善，且识别出显著的超额表现。这是通过为不同任务与时间框架训练若干模型并融合这些不同模型，由弱学习器融合生成强学习器而实现的显著改进。