Aktienindexstrategien mit diversifizierten algorithmischen Strategien absichern

Zusammenfassung

Das Paper untersucht, ob Strategien auf Basis anderer Anlageklassen algorithmische Anlagestrategien auf den S&P 500 diversifizieren können. Es vergleicht Signale aus LSTM-Prognosen, ARIMA-GARCH-Prognosen, Momentum und Contrarian-Regeln. Zu den betrachteten Anlagen zählen Energierohstoffe, Edelmetalle, Kryptowährungen und Agrarrohstoffe. Damit verschiebt sich die Diversifikationsfrage von der Kombination einzelner Vermögenswerte hin zur Kombination von Strategien, die mit diesen Vermögenswerten handeln.

Anhand von Daten von 2004 bis 2022 berichtet die Studie, dass Strategien auf Basis von LSTM besser abschnitten als die anderen Ansätze und eine Bitcoin-basierte Strategie das stärkste Diversifikationspotenzial für das S&P-500-Strategieportfolio bot. Außerdem untersucht sie stündliche LSTM-Signale und berichtet bessere Ergebnisse als bei Tagesdaten. Diese empirischen Ergebnisse gelten für die untersuchten Vermögenswerte, den Zeitraum und die Strategiekonstruktion. Die Zusammenfassung enthält keine Angaben zu Transaktionskosten, Risikobereinigung oder Out-of-Sample-Validierung.

Kernaussagen

• Die Studie untersucht die Diversifikation zwischen algorithmischen Strategien und nicht nur zwischen einzelnen Vermögenswerten.
• Sie vergleicht Prognosen von LSTM und ARIMA-GARCH mit Momentum- und Contrarian-Signalen.
• Die Tests umfassen mehrere Rohstoff- und Kryptowährungsstrategien sowie ein S&P-500-Strategieportfolio.
• Laut den Autoren diversifizierten Bitcoin-basierte Strategien das S&P-500-Portfolio am stärksten.
• Stündliche LSTM-Strategien übertrafen der Studie zufolge ihre täglichen Pendants.

Schlagwörter

# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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.