LSTM-Momentum-Signale für Portfolioaufbau und Handel mit Aktien

Zusammenfassung

NoxTrader nutzt historische Kurs- und Volumendaten von US-Aktien (US), um Merkmale wie Rendite, Wochenkurs und monatliches Kursmomentum zu erstellen. Ein LSTM-Modell prognostiziert Renditen und erfasst anhaltende Kurstrends; während der Ausführung wird das Modell dynamisch aktualisiert. Prognosewerte steuern das Portfoliomanagement in einem eigens entwickelten Backtesting-System. Laut Dokument weisen die Prognosen eine Korrelation zwischen 0.65 und 0.75 auf.

Die Autoren berichten, dass die Filterung der Prognosedaten die Rendite einer ursprünglichen Anlage von -60% auf 325% veränderte. Außerdem vergleichen sie die Streuung der Prognosen mit beobachteten Marktdaten. Dabei handelt es sich um berichtete Ergebnisse; der Auszug nennt jedoch weder den Testzeitraum noch das Anlageuniversum, die Kosten, die Benchmark, das Risikoengagement oder das Filterverfahren. Die Leistungsangaben lassen sich anhand der bereitgestellten Informationen daher nicht unabhängig beurteilen.

Kernaussagen

• Das System erstellt aus US-Aktienkursdaten Merkmale zu Rendite, Wochenkurs und monatlichem Kursmomentum.
• Ein LSTM-Modell prognostiziert Renditen und wird während des Handels aktualisiert, um sich an Markttrends anzupassen.
• Prognosewerte dienen der Portfolioverwaltung in einem eigens entwickelten Backtesting-Framework.
• Das Dokument berichtet über Prognosekorrelationen und eine deutliche Verbesserung nach der Filterung, lässt jedoch Einzelheiten aus, die für die Beurteilung der Robustheit nötig wären.

Schlagwörter

# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading


# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading









We introduce NoxTrader, a sophisticated system designed for portfolio construction and trading execution with the primary objective of achieving profitable outcomes in the stock market, specifically aiming to generate moderate to long-term profits. The underlying learning process of NoxTrader is rooted in the assimilation of valuable insights derived from historical trading data, particularly focusing on time-series analysis due to the nature of the dataset employed. In our approach, we utilize price and volume data of US stock market for feature engineering to generate effective features, including Return Momentum, Week Price Momentum, and Month Price Momentum. We choose the Long Short-Term Memory (LSTM)model to capture continuous price trends and implement dynamic model updates during the trading execution process, enabling the model to continuously adapt to the current market trends. Notably, we have developed a comprehensive trading backtesting system - NoxTrader, which allows us to manage portfolios based on predictive scores and utilize custom evaluation metrics to conduct a thorough assessment of our trading performance. Our rigorous feature engineering and careful selection of prediction targets enable us to generate prediction data with an impressive correlation range between 0.65 and 0.75. Finally, we monitor the dispersion of our prediction data and perform a comparative analysis against actual market data. Through the use of filtering techniques, we improved the initial -60% investment return to 325%.

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.