産業グループレベルでのエントロピー拡張予測とポートフォリオ構築：勾配ブースティング決定木を用いた因果機械学習アプローチ

科学分野:

• 定量的金融
• 機械学習
• 情報理論

背景:

• 従来の金融モデルは、複雑な市場力学に苦労することがよくあります。
• 機械学習は、金融予測のための高度なパターン認識機能を提供します。
• 情報理論的尺度は、システムの複雑性と予測可能性を定量化します。

研究 の 目的:

• 情報理論的複雑性尺度が機械学習ベースの産業グループ収益予測を強化する有効性を調査すること。
• これらの尺度をポートフォリオ構築戦略に与える影響を評価すること。
• エントロピー拡張モデルの経済的パフォーマンスと解釈可能性を評価すること。

主な方法:

• 30年以上にわたる25の米国GICS産業グループの日次リターンデータを利用しました。
• シャノンエントロピーとファジーエントロピーで勾配ブースティング決定木モデルを拡張しました。
• 週次、月次、四半期の推定のために、厳密に因果的なローリングウィンドウ設計を採用しました。
• 最大利益および最小リスクの配分戦略を開発しました。

主要な成果:

• シャノンエントロピーを用いた週次最大利益モデルは、30,000%を超える累積リターンを達成し、ベースラインおよびファジーエントロピーモデルを大幅に上回りました。
• エントロピーとファジーエントロピーは、月次/四半期ごとに小さく堅牢な改善をもたらし、ボラティリティを低減し、下振れ保護を強化しました。
• 産業配分は安定しており解釈可能であり、利益戦略は循環的/成長産業を支持し、リスク戦略は防御的なものを支持しました。

結論:

• エントロピーベースの複雑性尺度は、金融予測における経済的パフォーマンスと解釈可能性を実証的に向上させます。
• これらの尺度は、より収益性が高く、安定しており、透明性の高い産業ローテーション戦略をもたらします。
• これらの発見は、ポートフォリオ管理の強化のために情報理論的概念を機械学習フレームワークに統合することを支持します。