Estrategia bursátil adaptativa al régimen con indicadores, sentimiento y aprendizaje automático

Resumen

El artículo describe un sistema de trading de acciones que combina señales de tendencia y momentum de medias móviles exponenciales y MACD con señales de reversión a la media de RSI y las bandas de Bollinger. Añade estimaciones de sentimiento financiero de FinBERT, utiliza XGBoost para generar señales y filtra o ajusta la exposición según las condiciones de volatilidad y rendimiento. El diseño busca adaptarse a los cambios de régimen del mercado, cuando los enfoques convencionales de seguimiento de tendencias o reversión a la media pueden tener dificultades.

Para un periodo de 24 meses, el documento informa de un valor final de cartera de $235,492.83 y una rentabilidad del 135.49% sobre la inversión inicial. También afirma que superó al S&P 500 y al NASDAQ-100, con menor riesgo bajista. El fragmento no especifica las fechas, el capital inicial, los instrumentos, los costes de transacción, el diseño de validación ni las estadísticas de riesgo, por lo que estas cifras por sí solas no demuestran robustez ni viabilidad de implementación. El rendimiento comunicado debe entenderse como un resultado de la evaluación descrita, no como una expectativa general.

Ideas clave

• El sistema combina indicadores de tendencia y momentum con indicadores de reversión a la media para generar señales sobre acciones.
• El proceso de generación de señales incorpora el análisis de sentimiento FinBERT y XGBoost.
• Los entornos de volatilidad y rendimiento guían el filtrado por régimen y el ajuste de la exposición.
• El artículo informa de una rentabilidad del 135.49% durante 24 meses y de un rendimiento superior al de dos índices bursátiles de referencia, pero el fragmento omite detalles de la evaluación.

Etiquetas

# 2601.19504


# Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies









The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.