پوشش ریسک راهبردهای شاخص سهام با راهبردهای الگوریتمی متنوع

خلاصه

این مقاله بررسی می‌کند که آیا راهبردهای مبتنی بر دارایی‌های غیراسهمی می‌توانند راهبردهای سرمایه‌گذاری الگوریتمی مرتبط با S&P 500 را متنوع کنند. سیگنال‌های حاصل از پیش‌بینی‌های LSTM، پیش‌بینی‌های ARIMA-GARCH، مومنتوم و قواعد خلاف‌روند را مقایسه می‌کند. دارایی‌های مورد بررسی شامل کالاهای انرژی، فلزات گران‌بها، رمزارزها و کالاهای کشاورزی نرم هستند. در نتیجه، پرسش تنوع‌بخشی از ترکیب دارایی‌های منفرد به ترکیب راهبردهایی تغییر می‌کند که با آن دارایی‌ها معامله می‌کنند.

با استفاده از داده‌های 2004 تا 2022، پژوهش گزارش می‌کند که راهبردهای مبتنی بر LSTM از رویکردهای دیگر بهتر عمل کردند و راهبرد مبتنی بر بیت‌کوین، قوی‌ترین عامل تنوع‌بخش برای مجموعه راهبردهای S&P 500 بود. همچنین سیگنال‌های ساعتی LSTM را بررسی می‌کند و نتایجی بهتر از داده‌های روزانه گزارش می‌دهد. این یافته‌ها تجربی و مختص دارایی‌ها، دوره و ساخت راهبرد بررسی‌شده‌اند؛ خلاصه جزئیاتی درباره هزینه‌های معامله، تعدیل ریسک یا اعتبارسنجی خارج از نمونه ارائه نمی‌کند.

ایده‌های کلیدی

• پژوهش تنوع‌بخشی میان راهبردهای الگوریتمی را بررسی می‌کند، نه فقط میان دارایی‌های منفرد.
• پیش‌بینی‌های LSTM و ARIMA-GARCH با سیگنال‌های مومنتوم و خلاف‌روند مقایسه می‌شوند.
• آزمون‌ها چند راهبرد کالایی و رمزارزی را در کنار مجموعه راهبردهای S&P 500 دربرمی‌گیرند.
• نویسندگان گزارش می‌کنند راهبردهای مبتنی بر بیت‌کوین قوی‌ترین تنوع‌بخشی را برای مجموعه S&P 500 فراهم کردند.
• طبق گزارش پژوهش، راهبردهای ساعتی LSTM از نمونه‌های روزانه خود بهتر عمل کردند.

برچسب‌ها

# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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.