Deep-Belief-Netze für Portfoliotrading mit Treasury-Futures

Zusammenfassung

Diese Studie beschreibt eine Strategie mittlerer Handelsfrequenz für ein Portfolio aus fünf- und zehnjährigen US-Treasury-Notes-Futures. Sie formuliert Trading als Klassifikationsaufgabe: Es wird prognostiziert, ob sich das Portfolio in der kommenden Woche nach oben oder unten bewegt. Als Prognoseeingaben dienen Merkmale, die ein Deep-Belief-Netz aus technischen Indikatoren der Futures im Portfolio lernt.

Die Autoren berichten, dass die resultierende Machine-Learning-Pipeline in ihren Experimenten profitable Trades erzielte. Die verfügbare Beschreibung nennt weder den Stichprobenzeitraum, das Testdesign und die Kosten noch die risikobereinigte Performance oder Vergleiche mit einfacheren Modellen. Sie vermittelt daher den Modellierungsansatz, liefert aber nur begrenzte Evidenz dafür, wie robust oder praktisch umsetzbar die berichtete Rentabilität ist. Historischer Erfolg in Experimenten ist keine Zusicherung künftiger Renditen.

Kernaussagen

• Die Strategie handelt ein Portfolio aus fünf- und zehnjährigen US-Treasury-Notes-Futures.
• Sie prognostiziert die wöchentliche Richtung des Portfolios als Klassifikationsaufgabe.
• Ein Deep-Belief-Netz extrahiert Merkmale aus technischen Indikatoren der Futures im Portfolio.
• Die Autoren berichten von profitablen Trading-Ergebnissen in Experimenten.
• Die Beschreibung enthält nicht genügend Einzelheiten, um Robustheit oder Trading-Kosten zu beurteilen.

Schlagwörter

# Using machine learning for medium frequency derivative portfolio trading


# Using machine learning for medium frequency derivative portfolio trading









We use machine learning for designing a medium frequency trading strategy for a portfolio of 5 year and 10 year US Treasury note futures. We formulate this as a classification problem where we predict the weekly direction of movement of the portfolio using features extracted from a deep belief network trained on technical indicators of the portfolio constituents. The experimentation shows that the resulting pipeline is effective in making a profitable trade.

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.