Señales de momentum LSTM para construir carteras de acciones y hacer trading

Resumen

NoxTrader utiliza datos históricos de precios y volumen de acciones US para crear características como el rendimiento y el momentum semanal y mensual de los precios. Aplica un modelo LSTM para predecir rendimientos y captar tendencias de precios persistentes, y actualiza dinámicamente el modelo durante la ejecución. Las puntuaciones predictivas orientan la gestión de la cartera dentro de un sistema de backtesting propio, y el documento afirma que las predicciones muestran una correlación de entre 0.65 y 0.75.

Los autores informan de que filtrar los datos de predicción cambió el rendimiento de una inversión inicial de -60% a 325%. También comparan la dispersión de las predicciones con los datos de mercado observados. Estos son los resultados presentados, pero el fragmento no especifica el periodo de prueba, el universo, los costes, el índice de referencia, la exposición al riesgo ni el procedimiento de filtrado. Por tanto, no es posible evaluar de forma independiente las afirmaciones sobre el rendimiento con la información disponible.

Ideas clave

• El sistema calcula características de rendimiento y momentum semanal y mensual a partir de datos bursátiles US.
• Un modelo LSTM predice rendimientos y se actualiza durante el trading para adaptarse a las tendencias del mercado.
• Las puntuaciones predictivas se utilizan para gestionar carteras en un marco de backtesting propio.
• El documento presenta correlaciones de predicción y una gran mejora tras el filtrado, pero omite detalles necesarios para evaluar la robustez.

Etiquetas

# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading


# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading









We introduce NoxTrader, a sophisticated system designed for portfolio construction and trading execution with the primary objective of achieving profitable outcomes in the stock market, specifically aiming to generate moderate to long-term profits. The underlying learning process of NoxTrader is rooted in the assimilation of valuable insights derived from historical trading data, particularly focusing on time-series analysis due to the nature of the dataset employed. In our approach, we utilize price and volume data of US stock market for feature engineering to generate effective features, including Return Momentum, Week Price Momentum, and Month Price Momentum. We choose the Long Short-Term Memory (LSTM)model to capture continuous price trends and implement dynamic model updates during the trading execution process, enabling the model to continuously adapt to the current market trends. Notably, we have developed a comprehensive trading backtesting system - NoxTrader, which allows us to manage portfolios based on predictive scores and utilize custom evaluation metrics to conduct a thorough assessment of our trading performance. Our rigorous feature engineering and careful selection of prediction targets enable us to generate prediction data with an impressive correlation range between 0.65 and 0.75. Finally, we monitor the dispersion of our prediction data and perform a comparative analysis against actual market data. Through the use of filtering techniques, we improved the initial -60% investment return to 325%.

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.