Gewinnorientierte LSTM-Prognosen für den Aktienindexhandel

Zusammenfassung

Das Dokument beschreibt ein tiefes LSTM-Modell und eine Handelsstrategie für vier US-Aktienindizes. Statt allein danach zu handeln, ob das Modell einen Anstieg oder Rückgang prognostiziert, nutzt die Strategie die Position jeder prognostizierten Rendite innerhalb der Prognoseverteilung, um die Rentabilität eines Trades zu schätzen. Das Modell ist auf das Handelsziel der Strategie abgestimmt und unterstreicht damit, dass Prognosequalität und Handelsregeln gemeinsam betrachtet werden müssen.

Die berichteten Tests umfassen den S&P 500, DJIA, NASDAQ und Russell 2000 im Zeitraum von 2010 bis 2018. Das Dokument nennt kumulierte Renditen für jeden Index und gibt an, dass sie Buy-and-Hold sowie andere neuere Ansätze übertrafen. Angaben zu Transaktionskosten, risikobereinigter Performance, Validierungsdesign oder zur Übertragbarkeit der Ergebnisse über diesen Zeitraum hinaus fehlen. Die berichteten Renditen sind daher als Studienergebnisse zu verstehen, nicht als Beleg für zukünftige Performance.

Kernaussagen

• Modell- und Handelsstrategieperformance hängen zusammen und sollten gemeinsam entwickelt werden.
• Das LSTM prognostiziert Vermögenspreise anhand einer begrenzten Historie von Handelstagen.
• Die Strategie nutzt die Position prognostizierter Renditen innerhalb ihrer Verteilung und nicht nur deren Richtung.
• Die berichtete Auswertung umfasst vier US-Aktienindizes im Zeitraum 2010–2018.

Schlagwörter

# High-performance stock index trading: making effective use of a deep LSTM neural network


# High-performance stock index trading: making effective use of a deep LSTM neural network









We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

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.