Can Machines Explain Stock Returns?

Abstract

Mohou stroje vysvětlit akciové výnosy? Abstrakt diplomové práce Karolína Chalupová January 5, 2021 Nedávný výzkum ukazuje, že neuronové sítě dokážou předpovídat akciové výnosy lépe, než kterýkoli jiný model. Metematicky komplikovaná povaha sítí je zároveň jejich výhodou, umožňující odhalovat komplexní vzorce, a jejich prokletím, znesnadňujícím jejich interpretaci, což zamlžuje výhody a nevýhody sítí a komplikuje jejich užití. Tato práce je jedním z prvních pokusů toto prokletí překonat. Za použití nově vyvinutých metod interpretovatelného stro- jového učení objasňuje, jak sítě vytvářejí své vynikající předpovědi výnosů. Poskytuje tak nové odpovědi na starou otázku, které proměnné určují rozdíly v akciových výnosech, a vysvětluje, co stojí za bezkonkurenční schopností neu- ronových sítí identifikovat mezi akciemi na trhu budoucí vítěze a poražené. Tato práce je pravděpodobně první, která zjišťuje, zda neuronové sítě pod- porují ekonomické mechanismy, které během posledních 50 let přinesl výzkum v oblasti oceňování aktiv. Z hlediska aplikace pro finanční praxi práce nabízí transparentnost, kterou přináší dekompozice každé předpovědi na vlivy jed- notlivých vstupních proměnných; zároveň si práce zachovává Sharpe ratio na úrovni současné vědy. Navíc je představena nová metrika, která je zvláště vhodná pro...

Can Machines Explain Stock Returns? Thesis Abstract Karolína Chalupová January 5, 2021 Recent research shows that neural networks predict stock returns better than any other model. The networks' mathematically complicated nature is both their advantage, enabling to uncover complex patterns, and their curse, making them less readily interpretable, which obscures their strengths and weaknesses and complicates their usage. This thesis is one of the first attempts at overcoming this curse in the domain of stock returns prediction. Using some of the recently developed machine learning interpretability methods, it explains the networks' superior return forecasts. This gives new answers to the long- standing question of which variables explain differences in stock returns and clarifies the unparalleled ability of networks to identify future winners and losers among the stocks in the market. Building on 50 years of asset pricing research, this thesis is likely the first to uncover whether neural networks support the economic mechanisms proposed by the literature. To a finance practitioner, the thesis offers the transparency of decomposing any prediction into its drivers, while maintaining a state-of-the-art profitability in terms of Sharpe ratio. Additionally, a novel metric is proposed that is particularly suited...