Cross-Bond Panel Learning for Next-Day Price Forecasting of Chinese Convertible Bonds: A Reality Check
Pubblicata su AIChronos il · fonte del · Derun Zhong, Guolian Wang, Shiqing Wang, Hongjie Feng
Questo studio offre un controllo empirico rigoroso sull'applicazione di architetture neurali cross-bond per la previsione dei prezzi giornalieri obbligazioni convertibili cinesi. I risultati dimostrano che, nonostante l'effetto stabilizzante della pooling varianza su singole stime, i modelli deep learning non superano sistematicamente il random walk in out-of-sample forecasting senza informazioni contemporanee sul mercato azionario o eventi contrattuali espliciti. L'analisi dell'errore rivela che la maggior parte del deficit predittivo deriva da cinque obbligazioni ad alta volatilità e sensibili a clausole specifiche, rendendo l'avanzo aggregato nullo rispetto alla persistenza.
- I modelli neurali cross-bond non forniscono vantaggi predittivi significativi sul random walk in scenari di splitting temporale rigorosi.
- Le ensemble con cinque semi producono valori R^2 out-of-sample negativi, indicando una performance inferiore alla semplice media storica dei prezzi.
- La pooling varianza riduce l'errore RMSE per 79 su 90 obbligazioni individuali ma non genera un vantaggio predittivo complessivo.
- Il fallimento del modello è disomogeneo: il 74,4% dell'errore in eccesso proviene da cinque titoli ad alta volatilità e sensibili a clausole contrattuali.
- L'inferenza senza conditioning esplicito su eventi di mercato o contratti non genera prevedibilità incrementale rispetto alla persistenza.
Perché conta. Per gli sviluppatori che progettano agenti finanziari o sistemi AI locali, questo paper evidenzia il rischio di overfitting temporale e la necessità di includere dati contestuali (come informazioni sul mercato azionario) per evitare architetture complesse che non superano benchmark semplici come il random walk.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.