Redes de creencias profundas para trading de carteras de futuros del Tesoro

Resumen

Este estudio describe una estrategia de frecuencia media para una cartera de futuros de bonos del Tesoro de US con vencimientos a cinco y diez años. Plantea el trading como una tarea de clasificación: predecir si la cartera subirá o bajará durante la semana siguiente. Las entradas de la predicción son características aprendidas por una red de creencias profundas entrenada con indicadores técnicos de los futuros que componen la cartera.

Los autores indican que el flujo de trabajo resultante de aprendizaje automático produjo operaciones rentables en sus experimentos. La descripción disponible no da detalles sobre el periodo de la muestra, el diseño de las pruebas, los costes, el rendimiento ajustado al riesgo ni la comparación con modelos más sencillos. Por tanto, explica el enfoque de modelización, pero ofrece evidencia limitada para juzgar la robustez o la posibilidad de implementar la rentabilidad comunicada. El éxito experimental histórico no debe interpretarse como garantía de rendimientos futuros.

Ideas clave

• La estrategia opera una cartera de futuros de bonos del Tesoro de US con vencimientos a cinco y diez años.
• Predice la dirección semanal de la cartera como un problema de clasificación.
• Una red de creencias profundas extrae características de indicadores técnicos de los futuros que componen la cartera.
• Los autores comunican resultados rentables en sus experimentos de trading.
• La descripción no aporta suficientes detalles para evaluar la robustez ni los costes de trading.

Etiquetas

# Using machine learning for medium frequency derivative portfolio trading


# Using machine learning for medium frequency derivative portfolio trading









We use machine learning for designing a medium frequency trading strategy for a portfolio of 5 year and 10 year US Treasury note futures. We formulate this as a classification problem where we predict the weekly direction of movement of the portfolio using features extracted from a deep belief network trained on technical indicators of the portfolio constituents. The experimentation shows that the resulting pipeline is effective in making a profitable trade.

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.