Deep Learning und evolutionäre Methoden für ETF-Anlagen kombinieren

Zusammenfassung

Die Arbeit schlägt einen systematischen Anlageansatz vor, der über einen längeren Zeitraum Vermögen aufbauen soll, indem er eine Folge kurzfristiger Kaufentscheidungen für ETF trifft. Sie kombiniert evolutionäre Algorithmen mit einem Deep-Learning-Modell, um den Zeitpunkt der Einzahlungen im Vergleich zu herkömmlichen täglichen regelmäßigen Anlagen zu verbessern. Ziel ist es, Kaufentscheidungen im Zeitverlauf anzupassen, statt an jedem geplanten Tag gleich zu investieren.

Die Autoren berichten für eine bestimmte Anlage in ETF von etwa einem Prozent höheren Renditen als bei traditionellen täglichen regelmäßigen Anlagen. Ihrer Aussage nach stammen die Belege aus tatsächlichen algorithmischen Handelsentscheidungen, die über eine Privatkunden-Brokerplattform ausgeführt wurden, und nicht allein aus einem simulierten Backtest. Die kurze Beschreibung nennt weder das ETF noch den Evaluationszeitraum, Risikomaße, Kosten oder die Frage, ob sich der Vergleich auf andere Fonds und Marktbedingungen übertragen lässt. Die berichtete Differenz ist daher eine Fallstudie und keine allgemeine Garantie für bessere langfristige Anlageergebnisse durch das Ensemble.

Kernaussagen

• Die Methode kombiniert evolutionäre Algorithmen und Deep Learning, um Kaufentscheidungen für Anlagen in ETF zu steuern.
• Sie zielt darauf ab, durch eine Reihe kurzfristiger Anlageentscheidungen langfristig Vermögen aufzubauen.
• Verglichen wird mit herkömmlichen täglichen regelmäßigen Anlagen in ETF.
• Die Autoren berichten von etwa einem Prozent höheren Renditen durch tatsächliche algorithmische Entscheidungen; zur Übertragbarkeit gibt es nur begrenzte Angaben.

Schlagwörter

# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies


# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies









Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.

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.