Predicción de LSTM orientada al beneficio para índices bursátiles

Resumen

El documento describe un modelo profundo de LSTM y una estrategia de trading para cuatro índices bursátiles de US. En lugar de operar únicamente según si el modelo predice una subida o una bajada, la estrategia utiliza la posición de cada rendimiento predicho dentro de la distribución de predicciones para estimar la rentabilidad de la operación. El modelo se ajusta al objetivo de trading de la estrategia, lo que destaca que la calidad de las predicciones y las reglas de trading deben considerarse conjuntamente.

Las pruebas presentadas abarcan el S&P 500, el DJIA, el NASDAQ y el Russell 2000 de 2010 a 2018. El documento ofrece los rendimientos acumulados de cada índice y afirma que superaron la estrategia de comprar y mantener y otros enfoques recientes. No aporta aquí detalles sobre los costes de transacción, el rendimiento ajustado al riesgo, el diseño de la validación ni la generalización de los resultados más allá de ese periodo. Por ello, los rendimientos presentados deben interpretarse como resultados del estudio, no como evidencia de rendimientos futuros.

Ideas clave

• El rendimiento del modelo y el de la estrategia de trading están relacionados, por lo que deben diseñarse conjuntamente.
• El modelo LSTM predice los precios de los activos a partir de un historial breve de observaciones de días de negociación.
• La estrategia utiliza la posición de los rendimientos predichos dentro de su distribución, en lugar de basarse solo en su dirección.
• La evaluación presentada abarca cuatro índices bursátiles de US durante 2010–2018.

Etiquetas

# High-performance stock index trading: making effective use of a deep LSTM neural network


# High-performance stock index trading: making effective use of a deep LSTM neural network









We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

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.