Multi-Horizon Equity Returns Predictability via Machine Learning
Skúmame predvídateľnosť očakávaných globálnych výnosov akcií v rôznych horizontoch prognózy pomocou techník strojového učenia. Zistili sme, že predvídateľnosť výnosov klesá s dlhším horizontom prognózy v USA aj na medzinárodnej úrovni. Napriek tomu poskytujeme dôkazy, že používanie špecifických char...
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Capítulo de libro |
| Lenguaje: | inglés |
| Materias: | |
| Etiquetas: |
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| Sumario: | Skúmame predvídateľnosť očakávaných globálnych výnosov akcií v rôznych horizontoch prognózy pomocou techník strojového učenia. Zistili sme, že predvídateľnosť výnosov klesá s dlhším horizontom prognózy v USA aj na medzinárodnej úrovni. Napriek tomu poskytujeme dôkazy, že používanie špecifických charakteristík firmy môže zostať ziskové aj po započítaní transakčných nákladov, najmä ak vezmeme do úvahy dlhšie prognózy. Pri skúmaní ziskovosti dlhých krátkych portfólií zdôrazňujeme kompromis medzi vyššími transakčnými nákladmi spojenými s častým vyvažovaním a vyššími výnosmi v kratších horizontoch. Predĺženie predpovedného horizontu pri zosúladení s obdobím rebalancovania zvyšuje rizikovo upravené výnosy po transakčných nákladoch pre USA. Kombinujeme predpovede očakávaných výnosov na viacerých horizontoch pomocou dvojitého triedenia a stratégie znižovania obratu, rozpätia nákupu/držania. Dvojité triedenie v rôznych horizontoch výrazne zvyšuje ziskovosť na americkom trhu, zatiaľ čo portfóliá nákupov/držania spreadov vykazujú lepšiu ziskovosť upravenú o riziko. |
|---|