Cobertura de estrategias sobre índices bursátiles con trading algorítmico diversificado

Resumen

El artículo estudia si las estrategias basadas en activos distintos de la renta variable pueden diversificar estrategias de inversión algorítmicas vinculadas al S&P 500. Compara señales generadas a partir de previsiones LSTM, previsiones ARIMA-GARCH, momentum y reglas contrarias a la tendencia. Entre los activos considerados hay materias primas energéticas, metales preciosos, criptomonedas y materias primas agrícolas blandas. Así, la pregunta sobre diversificación pasa de combinar activos individuales a combinar estrategias que operan con esos activos.

Con datos de 2004 a 2022, el estudio informa de que las estrategias basadas en LSTM superaron a los demás enfoques y de que una estrategia basada en Bitcoin fue la que más diversificó el conjunto de estrategias del S&P 500. También analiza señales horarias de LSTM e informa de mejores resultados que con datos diarios. Estos hallazgos son empíricos y específicos de los activos, el periodo y la construcción de estrategias estudiados; el resumen no detalla los costes de transacción, el ajuste por riesgo ni la validación fuera de muestra.

Ideas clave

• El estudio evalúa la diversificación entre estrategias algorítmicas, no solo entre activos individuales.
• Compara previsiones LSTM y ARIMA-GARCH con señales de momentum y contrarias a la tendencia.
• Las pruebas abarcan varias estrategias con materias primas y criptomonedas, junto con un conjunto de estrategias sobre el S&P 500.
• Los autores informan de que las estrategias basadas en Bitcoin fueron las que más diversificaron el conjunto del S&P 500.
• Según el estudio, las estrategias horarias de LSTM superaron a sus equivalentes diarios.

Etiquetas

# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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.