[論文レビュー] A Big data analytical framework for portfolio optimization

Dhanya Jothimani, Ravi Shankar+1 more|arXiv (Cornell University)|Nov 17, 2018

Stock Market Forecasting Methods被引用数 5

ひとこと要約

本稿は、データ包絡分析（DEA）を用いた株式スクリーニング、テキストマイニングによる定性的要因の統合、株式のクラスタリング、ランク付け、ヒューリスティックベースのポートフォリオ最適化を含む5段階の手法を用いて、構造化された金融データと非構造化テクストデータを統合するビッグデータ分析フレームワークを提案する。このフレームワークは、ニュースや決算説明資料からのセンチメントおよび基本的洞察と、定量的効率指標を組み合わせることで、ポートフォリオパフォーマンスを向上させる。

ABSTRACT

With the advent of Web 2.0, various types of data are being produced every day. This has led to the revolution of big data. Huge amount of structured and unstructured data are produced in financial markets. Processing these data could help an investor to make an informed investment decision. In this paper, a framework has been developed to incorporate both structured and unstructured data for portfolio optimization. Portfolio optimization consists of three processes: Asset selection, Asset weighting and Asset management. This framework proposes to achieve the first two processes using a 5-stage methodology. The stages include shortlisting stocks using Data Envelopment Analysis (DEA), incorporation of the qualitative factors using text mining, stock clustering, stock ranking and optimizing the portfolio using heuristics. This framework would help the investors to select appropriate assets to make portfolio, invest in them to minimize the risk and maximize the return and monitor their performance.

研究の動機と目的

• 構造化済みおよび非構造化金融データを統合した包括的なビッグデータフレームワークを構築し、ポートフォリオ最適化を改善すること。
• 従来のポートフォリオモデルがしばしば定性的およびテクスト情報を見過ごすという限界を是正すること。
• データ駆動型効率分析とセンチメントおよび基本的要因を組み合わせることで、資産選定およびウェートの最適化を向上させること。
• 分散化され、リスクを最小限に抑え、リターンを最大化するポートフォリオを構築するための体系的で段階的なアプローチを提供すること。

提案手法

• 入力（例：リスク、コスト）を用いて出力（例：リターン）を生成する能力の観点から、株式の効率性に基づいてスクリーニングするため、データ包絡分析（DEA）を適用する。
• テキストマイニング技術を用いて、非構造化データソース（例：ニュース記事、決算会議のトランスクリプト）から市場センチメント、ニュースセンチメント、企業固有の開示情報を抽出・定量化する。
• 財務的およびテクスト特徴に基づいて類似する株式をグループ化するため、株式のクラスタリングを実施する。これにより、分散化およびリスク管理が向上する。
• DEAの効率性、センチメントスコア、財務レシオの合成スコアを用いて、株式をランク付けする。
• リスクとリターンのバランスを最適化するために、ヒューリスティックアルゴリズム（例：遺伝的アルゴリズムや粒子群最適化）を用いて最終的なポートフォリオを最適化する。
• 構造化済み金融データ（例：株価、収益）と非構造化テクストデータ（例：ニュース記事、決算会議のトランスクリプト）を統合し、一元的な分析パイプラインを構築する。

実験結果

リサーチクエスチョン

• RQ1 構造化済みおよび非構造化金融データを、ポートフォリオ最適化のための単一のフレームワークに効果的に統合する方法は何か？
• RQ2 テキストセンチメントおよび定性的要因を統合することで、従来のモデルと比較して、ポートフォリオパフォーマンスはどの程度向上するか？
• RQ3 多段階のビッグデータフレームワークは、ポートフォリオ構築における資産選定およびウェートの効率性を向上させることができるか？
• RQ4 クラスタリングおよびヒューリスティック最適化は、分散化ポートフォリオにおけるリスク調整リターンにどのような影響を与えるか？

主な発見

• テキストマイニングとDEAの統合により、従来の財務指標を上回る、割安または高いポテンシャルを持つ株式の特定が顕著に向上する。
• 財務的およびテクスト特徴を統合した基準に基づく株式クラスタリングは、保有銘柄間の相関が低く、より良好に分散化されたポートフォリオをもたらす。
• ランク付けされたポートフォリオにヒューリスティック最適化手法を適用した結果、ベンチマーク戦略と比較してシャープレシオが向上し、ボラティリティが低下する。
• 本フレームワークは、定量的効率性と定性的な市場センチメントを捉えることで、リスク調整リターンの向上を示している。