面向股票相似性的时序表示学习及其在投资管理中的应用
计算金融
2024-07-19 v1 人工智能
摘要
在快速全球化和数字化的时代，由于金融市场的非平稳性以及常规地域和行业分类的模糊性，准确识别相似股票变得日益具有挑战性。为此，我们检视了一种新颖的时序自监督学习框架 SimStock，它结合了自监督学习（SSL）和时序域泛化技术，以从金融时间序列数据中学习稳健且富有信息的表征。本研究的主要 focus 是从更广泛的角度考量股票之间的相似性，涉及全球金融格局的复杂动态。我们在四个真实世界的数据集上进行了大量实验，包含数千只股票，展示了 SimStock 在寻找相似股票方面的有效性，优于现有方法。通过将其应用于各种投资策略，如配对交易、指数跟踪和组合优化，展示了 SimStock 的实际效用。在不断变化的全球金融格局下，利用时序自监督学习的力量，数据驱动的方法有望增强投资决策和风险管理实践的潜力。
引用
@article{arxiv.2407.13751,
title = {Temporal Representation Learning for Stock Similarities and Its Applications in Investment Management},
author = {Yoontae Hwang and Stefan Zohren and Yongjae Lee},
journal= {arXiv preprint arXiv:2407.13751},
year = {2024}
}