SMART-LAB
Новый дизайн
Мы делаем деньги на бирже
Информация
Блог им. WLMike
Предсказание дивидендов
- 26 августа 2018, 09:22
- |
Долго пытался применить ML к предсказанию дивидендов, но получить результат лучше, чем у совсем базовой гипотезы, что все акции имеют одинаковую дивидендную доходность, равную средней по всей выборке, не получалось. Но все-таки после долгих раздумий удалось сформировать подход, объясняющий около 20% дисперсии. Несколько методов ML дают близкий результат, поэтому остановлюсь на наиболее простом с точки зрения количества подбираемых гиперпараметров — гребневой регрессии.
Ключевая задача на ближайшую перспективу переписать оптимизацию портфеля с учетом нового подхода к прогнозированию дивидендов.
Ключевая задача на ближайшую перспективу переписать оптимизацию портфеля с учетом нового подхода к прогнозированию дивидендов.
теги блога Михаил
- deep learning
- FIRE
- ISS
- ML
- MOEX
- portfolio management
- python
- reinforcement learning
- Акрон
- акции
- алготрейдинг
- Брокер
- волаильность
- градиентный бустинг
- диверсификация портфеля
- дивиденды
- иис
- иностранные ценные бумаги
- итог месяца
- итоги месяца
- ковариация
- Лукойл
- М.Видео
- машинное обучение
- нейронная сеть
- нейронные сети
- неликвид
- оптимизация
- Пермэнергосбыт
- питон
- планы
- портфель
- портфель акций
- Поступление дивидендов
- результат
- результат торговли
- торгвая система
- торговая система
- трейдинг
Я применением ML к рынку прозанимался достаточное количество времени и решил что особо ловить там нечего. Единственное что более менее получилось применять на практике, поиск зависимостей цены от каких либо внешних данных (у меня есть пост на эту тему).
Сам по себе анализ цены, даже в совокупности с фундаментальными показателями из отчетов ничего разумного не дает.
А если говорить про дивиденды российских компаний, там вообще нет никаких фундаментальных закономерностей, точнее, если почитать посты Ларисы Морозовой есть одна, но для этого нужен не ML
Пишите, если что, пообщаемся подробнее.
Почему такая уверенность, что ML тут не работает — есть достаточно публикаций об успешном применении в связи с финансовыми рынками. Вероятнуость случайной подгонки можно снизить с помощью кроссвалидации.
Наложите показатели экономики, производственные показатели, динамику цен, предполагаемые кап.затраты и подобное, и будет 95%.
К тому же если говорить об анализе фундаментальных данных, то их очень мало, по меркам ML, даже за все время существования российского фондового рынка.
От ML я не жду какого-то супер магического результата, но тут хотя бы грубо можно оценить уровень рисков прогноза.
Встречный вопрос: мне хочется иметь количественную оценку дивидендов в предстоящий год — как вы предлагаете действовать, если вам ML не нравится?
А ML мне очень даже нравится, только к рынку он слабо применим.