ترکیب یادگیری عمیق و روش‌های تکاملی برای سرمایه‌گذاری ETF
خلاصه
مقاله رویکردی برای سرمایه‌گذاری نظام‌مند پیشنهاد می‌کند که هدفش ساخت ثروت در افقی بلندتر از طریق مجموعه‌ای از تصمیم‌های کوتاه‌مدت برای خرید ETF است. این روش الگوریتم‌های تکاملی را با مدل یادگیری عمیق ترکیب می‌کند تا زمان‌بندی واریزها را در مقایسه با سرمایه‌گذاری نظام‌مند روزانه متعارف بهبود دهد. هدف، انطباق تصمیم‌های خرید در طول زمان است، به‌جای سرمایه‌گذاری به شیوه‌ای یکسان در هر روز برنامه‌ریزی‌شده.
نویسندگان برای یک ETF مشخص، بازدهی حدود یک درصد بالاتر از سرمایه‌گذاری نظام‌مند روزانه سنتی گزارش می‌کنند. به گفته آنان، شواهد از تصمیم‌های معاملاتی الگوریتمی زنده‌ای می‌آید که از طریق یک کارگزاری خرد اجرا شده‌اند، نه صرفاً از بک‌تستی شبیه‌سازی‌شده. توضیح کوتاه، جزئیات ETF، دوره ارزیابی، معیارهای ریسک، هزینه‌ها یا تعمیم‌پذیری مقایسه به صندوق‌ها و شرایط بازار دیگر را مشخص نمی‌کند. بنابراین تفاوت گزارش‌شده یک مطالعه موردی است، نه تضمینی کلی برای بهبود پیامدهای سرمایه‌گذاری بلندمدت با این ترکیب.
ایده‌های کلیدی
- این روش الگوریتم‌های تکاملی و یادگیری عمیق را برای هدایت تصمیم‌های خرید ETF ترکیب می‌کند.
- هدف آن انباشت ثروت بلندمدت از طریق مجموعه‌ای از انتخاب‌های سرمایه‌گذاری کوتاه‌مدت است.
- مقایسه با سرمایه‌گذاری نظام‌مند روزانه متعارف برای یک ETF مشخص انجام می‌شود.
- نویسندگان با تصمیم‌های الگوریتمی زنده، بازدهی حدود یک درصد بالاتر گزارش می‌کنند؛ جزئیات تعمیم‌پذیری محدود است.
برچسب‌ها
متن کامل
# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies # Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.
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.