ترجمه فارسی مقاله پیش بینی توزیع بازده سهام در سراسر جهان در عصر داده های بزرگ و یادگیری

چکیده

This paper presents a method for accurately predicting the full distribution of stock returns, given a comprehensive set of 194 stock characteristics and market variables. Such distributions, learned from rich data using a machine learning algorithm, are not constrained by restrictive model assumptions and allow the exploration of non-Gaussian, heavy-tailed data and their non-linear interactions. The method uses a two-stage quantile neural network combined with spline interpolation. The results show that the proposed approach outperforms alternative models in terms of out-of-sample losses. Furthermore, we show that the moments derived from such distributions can be useful as alternative empirical estimates in many cases, including mean estimation and forecasting. Finally, we examine the relationship between cross-sectional returns and several distributional characteristics. The results are robust to a wide range of US and international data.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله روشی برای پیش بینی دقیق توزیع کامل بازده سهام ارائه شده است ، با توجه به مجموعه ای جامع از 194 ویژگی سهام و متغیرهای بازار.چنین توزیع هایی ، که از داده های غنی با استفاده از یک الگوریتم یادگیری ماشین آموخته می شوند ، توسط فرضیات محدود کننده مدل محدود نمی شوند و امکان اکتشاف داده های غیر گاوسی ، دم سنگین و تعامل غیرخطی آنها را فراهم می کنند.این روش از یک شبکه عصبی دو مرحله ای همراه با درون یابی Spline استفاده می کند.نتایج نشان می دهد که رویکرد پیشنهادی از نظر ضررهای خارج از نمونه از مدل های جایگزین بهتر است.علاوه بر این ، ما نشان می دهیم که لحظات حاصل از چنین توزیع ها می توانند به عنوان برآوردهای تجربی جایگزین در بسیاری از موارد ، از جمله میانگین تخمین و پیش بینی مفید باشند.سرانجام ، ما رابطه بین بازده مقطعی و چندین ویژگی توزیع را بررسی می کنیم.نتایج به طیف گسترده ای از داده های ایالات متحده و بین المللی قوی است.