文献

J-GLOBAL ID：202002268956307694   整理番号：20A0861232

サポートベクトル回帰に基づく新しい定量的ストック選択モデル【JST・京大機械翻訳】

A Novel Quantitative Stock Selection Model Based on Support Vector Regression

著者 (2件)： Dai Jingyi (Nanjing University of Science and Technology) ,  Zhou Jingwei (Hohai University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICEMME  ページ： 437-445  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 市場環境を変えることによってもたらされる巨大な挑戦に直面して,アカデミックなコミュニティは,従来の多因子ストック選択モデルに基づいて過剰な利益を得ることができる因子と組合せを常に探している。従来の線形多因子モデルと比較して,機械学習アルゴリズムは,因子の非線形表現によって,より多くの粒状市場信号を捕えることができた。ストック因子データを採掘し,ストック選択モデルを最適化するために,本論文は,因子分析のために等しい重み線形モデル,機械学習サポートベクトルマシン,および線形回帰アルゴリズムを使用する。SVM機械学習アルゴリズムと多因子ストック選択の理論に基づいて,本論文はデータを特性化することによってSVR株式市場予測モデルを確立して,解決した。次に,関連データを組み合わせた後の例を示し,解析した。結果により,PB,PE,ROE,NetProfit Grawate,OperategRenue-Growate,EPSおよびNegMktvalueのような因子が優れていることを示した。SVRモデルに優れた因子を入れた後に,株式ポートフォリオの収益率は従来の等しい重み線形モデルのそれよりはるかに大きく,機械学習アルゴリズムを用いたストック選択モデルがより高い収益と安定した結果を持つことを示した。本論文は,ストック因子データをマイニングすることによってストック採取戦略を策定するために,意思決定者のためにいくつかの指針を提供した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  意思決定者 ,  因子分析 ,  最適化 ,  サポートベクトルマシン ,  コミュニティ ,  機械学習 ,  株式市場 ,  ポートフォリオ ,  *在庫量 ,  線形性 ,  学習アルゴリズム ,  予測モデル ,  キャラクタリゼーション
準シソーラス用語： *サポートベクトル回帰 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： サポートベクトル回帰 ,  定量 ,  ストック ,  選択モデル