Ensamblado de aprendizaje profundo y algoritmos evolutivos para invertir en ETF

Resumen

El artículo propone un enfoque de inversión sistemática para acumular patrimonio a más largo plazo mediante una secuencia de decisiones de compra de ETF a corto plazo. Combina algoritmos evolutivos con un modelo de aprendizaje profundo para mejorar el momento de las aportaciones frente a la inversión sistemática diaria convencional. El objetivo es adaptar las decisiones de compra con el tiempo, en vez de invertir igual en cada fecha programada.

Los autores informan de rendimientos aproximadamente un 1 % superiores a los de la inversión sistemática diaria tradicional para un ETF determinado. Afirman que la evidencia procede de decisiones de trading algorítmico en vivo ejecutadas a través de una plataforma de intermediación minorista, y no únicamente de un backtest simulado. La breve descripción no especifica el ETF, el periodo de evaluación, las medidas de riesgo, los costes ni si la comparación se puede generalizar a otros fondos y condiciones de mercado. Por tanto, la diferencia descrita constituye un estudio de caso, no una garantía general de que el conjunto mejore los resultados de inversión a largo plazo.

Ideas clave

• El método combina algoritmos evolutivos y aprendizaje profundo para orientar las decisiones de compra de ETF.
• Busca acumular patrimonio a largo plazo mediante una serie de decisiones de inversión a corto plazo.
• La comparación es con la inversión sistemática diaria convencional en un ETF determinado.
• Los autores informan de rendimientos aproximadamente un uno por ciento superiores mediante decisiones algorítmicas en vivo, aunque ofrecen pocos detalles sobre la generalización.

Etiquetas

# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies


# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies









Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.

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.