راهبرد سهام سازگار با رژیم بازار، ترکیب‌کننده اندیکاتورها، احساسات و یادگیری ماشین
خلاصه
این مقاله سامانه‌ای برای معامله سهام توصیف می‌کند که سیگنال‌های روند و مومنتومِ میانگین‌های متحرک نمایی و MACD را با سیگنال‌های بازگشت به میانگینِ RSI و باندهای بولینگر ترکیب می‌کند. برآوردهای احساسات مالی از فین‌برت را می‌افزاید، برای تولید سیگنال از اکس‌جی‌بوست استفاده می‌کند و بر اساس شرایط نوسان و بازده، مواجهه را فیلتر یا تعدیل می‌کند. طراحی سامانه می‌خواهد هنگام تغییر رژیم‌های بازار سازگار شود؛ دوره‌هایی که رویکردهای متعارف دنبال‌کننده روند یا بازگشت به میانگین ممکن است در آن‌ها با مشکل روبه‌رو شوند.
سند برای دوره‌ای 24 ماهه، ارزش نهایی سبد را $235,492.83 و بازده سرمایه‌گذاری اولیه را 135.49% گزارش می‌کند. همچنین ادعا می‌کند عملکردی بهتر از اس‌اندپی 500 و NASDAQ-100 داشته و ریسک نزولی کمتری نشان داده است. گزیده تاریخ‌ها، سرمایه اولیه، ابزارها، هزینه‌های معامله، طراحی اعتبارسنجی یا آمار ریسک را مشخص نمی‌کند؛ بنابراین این ارقام به‌تنهایی استحکام یا قابلیت اجرا را اثبات نمی‌کنند. عملکرد گزارش‌شده را باید نتیجه ارزیابی توصیف‌شده دانست، نه انتظاری عمومی.
ایده‌های کلیدی
- سامانه، اندیکاتورهای روند و مومنتوم را با اندیکاتورهای بازگشت به میانگین برای تولید سیگنال سهام ترکیب می‌کند.
- تحلیل احساسات فین‌برت و اکس‌جی‌بوست در فرایند تولید سیگنال گنجانده شده‌اند.
- شرایط نوسان و بازده، فیلتر رژیم بازار و تعدیل میزان مواجهه را هدایت می‌کنند.
- مقاله بازده 135.49% را طی 24 ماه و عملکردی بهتر از دو معیار سهام گزارش می‌کند، اما گزیده جزئیات ارزیابی را ارائه نمی‌دهد.
برچسب‌ها
متن کامل
# 2601.19504 # Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.