Machine-Learning-Ensembles und Handelsstrategien für Aktienoptionsprognosen

Zusammenfassung

Dieses Paper beschreibt eine Folgestudie zur Prognose von Trends bei Aktienoptionen mithilfe von Machine Learning und zur Anwendung dieser Prognosen im Handel. Es untersucht rekurrente neuronale Netze und Long-Short-Term-Memory-Netze und bewertet anschließend die Kombination mehrerer Modelle, um zu prüfen, ob deren Prognosen bessere Entscheidungen unterstützen können. Die Arbeit wendet außerdem die Quasi-Reversibility Method an, die im Abstract als Teil des Prognoseverfahrens genannt wird.

Für den Handelsteil stellt das Paper zwei Strategien und simulierte Anlageergebnisse vor. Mithilfe eines zeitdiskreten stochastischen Binomialmodells zur Vermögensbewertung und Portfolioabsicherung werden Anlageergebnisse geschätzt. Laut Abstract stützt sich die Analyse auf historische Daten, enthält jedoch keine Angaben zum Datensatz, zum Evaluierungsdesign oder zu konkreten Ergebnissen. Auch bleibt offen, ob die Simulationen Transaktionskosten und veränderte Marktbedingungen berücksichtigen. Die Aussagen beschreiben daher einen Forschungsansatz und eine Simulation, keinen Nachweis für die Performance im Live-Handel.

Kernaussagen

• Die Studie nutzt rekurrente neuronale Netze und Long-Short-Term-Memory-Netze zur Prognose von Trends bei Aktienoptionen.
• Sie bewertet, ob die Kombination mehrerer Machine-Learning-Modelle Prognosen und Entscheidungen unterstützen kann.
• Die Quasi-Reversibility Method ist Teil der Prognoseforschung.
• Zwei Handelsstrategien werden anhand simulierter Anlageergebnisse bewertet.
• Ein zeitdiskretes Binomialmodell zur Preisbildung und Portfolioabsicherung fließen in die Anlageanalyse ein.

Schlagwörter

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.