Новые модели машинного обучения показали эффективность в прогнозировании доходности акций

Инвесторы выстраивают прогнозы на основании данных, получаемых из финансовой прессы. Исследователи из Корнелла взяли эту информацию за основу и использовали алгоритм, который формирует новую модель для создания финансового прогноза. Таким образом, была построена новая интерпретируемая система машинного обучения, которая определяет информацию об отдельных акциях и отраслях, к которым они относятся, и формирует значительно более точный прогноз их финансовой доходности, чем при использовании традиционных методов.

Один из недостатков машинного обучения, как правило, заключается в сложной интерпретации полученных результатов, особенно после обработки большого количества данных. В случае же новой модели, ее прогноз формируется на базе новостной текстовой информации, что позволяет выявить важные характеристики в интерпретируемом виде и внести порядок в хаотичные результаты.

Главный автор исследования Лиао Чжу поясняет, что гипотеза модели заключается в том, чтобы с помощью финансовых новостей понять какой тип акций связан с определенными торгуемыми активами — биржевыми фондами.

Ранее исследователи уже использовали текстовые данные для объяснения доходности акций. Например, на сегодняшний день инвесторы применяют анализ настроений для поиска в сети Интернет положительных или отрицательных слов, связанных с компанией, которые могут быть связаны с ростом или падением стоимости акций.

Суть новой модели прогнозирования состоит в объединении рыночных и текстовых данных и использовании алгоритмов машинного обучения. Исследователи при этом берут метод «вкрапления слов» из обработки естественного языка и используют алгоритм для создания «вкрапления активов» для набора торгуемых активов из новостей. Текст и рыночная информация преобразуется в цифры, которые затем обрабатываются специальными алгоритмами.

Для формирования модели была собрана финансовая информация из новостей периода 2013-2019 годов и загружена в алгоритм, который начал сопоставлять активы и слова, связанные с отдельными акциями и отраслями. В результате была получена языковая карта с полным представлением об активах и словах, на которые необходимо обращать внимание, и сформированы две отдельные модели:

— модель News Embedding UMAP Sparse Selection (NEUSS), которая составляет прогноз дохода отдельных акций;

— модель News Sparse Encoder with Rationale (INSER), которая определяет важные слова по отраслям и более точно прогнозирует доходность каждой отдельной отрасли.

В ходе тестирования новых моделей было обнаружено, что модель NEUSS показала себя лучше, чем традиционный способ прогнозирования на 50%, а модель INSER — на 10%.

Все это, по мнению авторов новой разработки, влечет за собой революцию в финансовой сфере.