Conjuntos de modelos de aprendizaje automático y estrategias de trading para pronosticar opciones sobre acciones | Stratmill

Resumen

Este artículo describe un estudio de seguimiento sobre la previsión de tendencias de opciones sobre acciones mediante aprendizaje automático y la aplicación de esas previsiones al trading. Examina redes neuronales recurrentes y redes de memoria a corto y largo plazo, y evalúa la combinación de varios modelos para determinar si sus predicciones pueden mejorar las decisiones. El trabajo también aplica el método de cuasi reversibilidad, que el resumen identifica como parte del enfoque de previsión.

Para el componente de trading, el artículo presenta dos estrategias y resultados de inversión simulados. Utiliza un modelo estocástico binomial de valoración de activos en tiempo discreto y cobertura de carteras para estimar los resultados de inversión. El resumen indica que el análisis se basa en datos históricos, pero no ofrece detalles sobre el conjunto de datos, el diseño de evaluación, los resultados concretos ni si las simulaciones tienen en cuenta los costes de transacción y los cambios en las condiciones del mercado. Por tanto, sus afirmaciones describen un enfoque de investigación y una simulación, no evidencia del rendimiento en trading real.

Ideas clave

• El estudio aplica redes neuronales recurrentes y redes de memoria a corto y largo plazo para prever tendencias de opciones sobre acciones.
• Evalúa la combinación de varios modelos de aprendizaje automático para respaldar las predicciones y la toma de decisiones.
• La investigación sobre previsiones incluye el método de cuasi reversibilidad.
• Se evalúan dos estrategias de trading mediante resultados de inversión simulados.
• El análisis de inversión utiliza un modelo binomial de valoración en tiempo discreto y cobertura de carteras.

Etiquetas

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.