Regimeadaptive Aktienstrategie mit Indikatoren, Sentiment und maschinellem Lernen

Zusammenfassung

Die Arbeit beschreibt ein Aktienhandelssystem, das Trend- und Momentum-Signale exponentieller gleitender Durchschnitte und MACD mit Mean-Reversion-Signalen aus RSI und Bollinger-Bändern kombiniert. Es ergänzt Schätzungen der Finanzstimmung von FinBERT, nutzt XGBoost zur Signalerzeugung und filtert oder verändert das Engagement abhängig von Volatilitäts- und Renditebedingungen. Das Design soll sich an wechselnde Marktregime anpassen, in denen herkömmliche Trendfolge- oder Mean-Reversion-Ansätze Schwierigkeiten haben können.

Für einen Zeitraum von 24 Monaten nennt das Dokument einen abschließenden Portfoliowert von $235,492.83 und eine Rendite von 135.49% auf die ursprüngliche Anlage. Außerdem werden eine Outperformance gegenüber dem S&P 500 und NASDAQ-100 sowie ein geringeres Abwärtsrisiko behauptet. Der Auszug nennt weder die Daten noch das Anfangskapital, die Instrumente, Transaktionskosten, das Validierungsdesign oder Risikostatistiken; diese Zahlen allein belegen daher weder Robustheit noch Einsatzfähigkeit. Die berichtete Performance ist als Ergebnis der beschriebenen Auswertung zu verstehen und nicht als allgemeine Erwartung.

Kernaussagen

• Das System kombiniert Trend- und Momentumindikatoren mit Mean-Reversion-Indikatoren zur Erzeugung von Aktiensignalen.
• FinBERT-Sentimentanalyse und XGBoost sind in die Signalerzeugung eingebunden.
• Volatilitäts- und Renditeumfeld steuern die Regimefilterung und Anpassung des Engagements.
• Die Arbeit berichtet eine Rendite von 135.49% über 24 Monate und eine Outperformance gegenüber zwei Aktienbenchmarks, doch im Auszug fehlen Details zur Auswertung.

Schlagwörter

# 2601.19504


# Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies









The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.