# Przewidywanie stóp zwrotu modelami ML

EN: **Machine-learning return prediction** · id `returnprediction` · aliases: empirical asset pricing with ML, cross-sectional return prediction, alpha models, predykcja stóp zwrotu

Path: [AI Atlas](https://aiatlasgraph.com/llms.txt) › [AI w finansach](https://aiatlasgraph.com/t/finance.md) › [Inwestowanie ilościowe i handel algorytmiczny](https://aiatlasgraph.com/t/quanttrading.md) › Przewidywanie stóp zwrotu modelami ML

## Description

- PL: Prognozowanie przekroju oczekiwanych stóp zwrotu z setek cech spółek za pomocą regresji z regularyzacją, drzew i sieci neuronowych.
- EN: Predicting the cross-section of expected returns from hundreds of company characteristics with regularised regression, trees and neural networks.

## In one sentence

- PL: Modele, które na podstawie cech spółek próbują przewidzieć, które akcje w następnym miesiącu wypadną lepiej od innych.
- EN: Models that use company traits to predict which shares will do better than others next month.

## Problem it solves

- PL: Inwestor wybiera spośród tysięcy spółek, a proste reguły pomijają to, jak różne cechy działają razem.
- EN: An investor chooses among thousands of companies, and simple rules miss how different traits work together.

## What it does

- PL: Nie zgaduje jutrzejszej ceny, tylko ustawia spółki w kolejce od najbardziej do najmniej obiecujących, jak ranking zawodników przed sezonem.
- EN: It does not guess tomorrow's price; it lines companies up from most to least promising, like a pre-season ranking of players.

## Everyday example

- PL: Model co miesiąc ocenia wszystkie spółki z giełdy; fundusz kupuje górną dziesiątą część listy i sprzedaje dolną.
- EN: Each month a model scores every listed company; the fund buys the top tenth of the list and sells the bottom tenth.

## This concerns you if you…

- PL: zastanawiasz się, jak fundusze ilościowe wybierają akcje
- PL: budujesz model na danych giełdowych
- EN: wonder how quant funds pick shares
- EN: build a model on stock market data

## Keywords

empirical asset pricing · cross-sectional returns · momentum · gradient boosted trees · neural networks · factor zoo · long-short portfolio · out-of-sample R2

## How it works

- PL: Dla każdej spółki i miesiąca buduje się wektor cech (momentum, płynność, zmienność, wyceny) i uczy model przewidywać zwrot w kolejnym okresie. W szerokim porównaniu na rynku USA drzewa i sieci neuronowe pokonały regresje liniowe dzięki nieliniowym interakcjom cech, a najważniejsze okazały się odmiany momentum, płynności i zmienności.
- EN: For each company and month a feature vector (momentum, liquidity, volatility, valuations) is built and a model learns to predict next-period return. In a broad US-market comparison, trees and neural networks beat linear regressions thanks to non-linear feature interactions, and variations of momentum, liquidity and volatility were the dominant predictors.

## Limits

- PL: Stosunek sygnału do szumu jest bardzo niski, więc miesięczna trafność jest skromna, a wyniki wrażliwe na okres próby. Przewagi słabną, gdy wielu graczy używa tych samych sygnałów. Wynik na papierze pomija koszty i ograniczenia płynności.
- EN: The signal-to-noise ratio is very low, so monthly predictive accuracy is modest and results depend on the sample period. Edges fade when many players use the same signals. Paper results ignore costs and liquidity limits.

## Key terms

- PL: **premia za ryzyko**: Oczekiwany zwrot ponad stopę wolną od ryzyka.
- PL: **momentum**: Skłonność ostatnich zwycięzców do dalszych wzrostów.
- PL: **portfel long–short**: Kupno najlepszych i krótka sprzedaż najgorszych spółek.
- EN: **risk premium**: Expected return above the risk-free rate.
- EN: **momentum**: The tendency of recent winners to keep rising.
- EN: **long–short portfolio**: Buying the best and short-selling the worst companies.

## Know first

- [Gradient boosting (XGBoost, LightGBM) (Gradient-boosted trees)](https://aiatlasgraph.com/t/gradientboosting.md)
- [Przeuczenie, niedouczenie i regularyzacja (Overfitting, underfitting and regularisation)](https://aiatlasgraph.com/t/biasvariance.md)

## Sources

- [Empirical Asset Pricing via Machine Learning](<https://www.nber.org/papers/w25398>) `gu-kelly-xiu-2020` · by Shihao Gu, Bryan Kelly, Dacheng Xiu

---

AI Atlas revision 122 (2026-10-30) · HTML: https://aiatlasgraph.com/t/returnprediction · index: https://aiatlasgraph.com/llms.txt · everything: https://aiatlasgraph.com/llms-full.txt · updated 2026-10-30