معاملات درون‌روزی سهام چین با پیش‌بینی‌های MLP و سبدهای مارکویتز
خلاصه
این سند یک استراتژی درون‌روزی برای سهام چین را در چارچوب محدودیت معاملاتی T+1 بازار شرح می‌دهد. پیش‌بینی‌های پرسپترون چندلایه (MLP) را با بهینه‌سازی سبد مارکویتز ترکیب می‌کند و از داده‌های منتشرشده سهام در بورس‌های شانگهای و شنژن بهره می‌گیرد. هدف اعلام‌شده، ارزیابی پیش‌بینی قیمت درون‌روزی و ساخت سبد در چارچوب یک استراتژی معاملاتی است.
گزارش یافته‌های تجربی حاکی از آن است که بهینه‌سازی مارکویتز سودآور بوده و پیش‌بینی قیمت درون‌روزی مبتنی بر MLP اعتبارسنجی شده است. سپس این اجزا با هم به کار می‌روند تا امکان‌پذیری استراتژی استدلال شود. با این حال، چکیده دوره نمونه، جزئیات انتخاب دارایی، مشخصات مدل، ارقام عملکرد، نحوه لحاظ هزینه‌های تراکنش یا رویه‌های برون‌نمونه را ارائه نمی‌کند. بنابراین ادعاها را نمی‌توان مستقل از این توضیحات ارزیابی کرد و ثابت نمی‌کنند رویکرد در معامله زنده یا شرایط دیگر بازار سودآور می‌ماند.
ایده‌های کلیدی
- این استراتژی پیش‌بینی قیمت MLP را برای معاملات درون‌روزی سهام چین با بهینه‌سازی سبد مارکویتز ترکیب می‌کند.
- این رویکرد بر مبنای محدودیت معاملاتی T+1 طراحی شده است.
- مطالعه از داده‌های منتشرشده بورس‌های سهام شانگهای و شنژن استفاده می‌کند.
- چکیده نتایج تجربی مطلوبی گزارش می‌کند، اما جزئیات لازم برای ارزیابی استحکام یا عملکرد در معامله زنده را ارائه نمی‌دهد.
برچسب‌ها
متن کامل
# Intraday trading strategy based on time series and machine learning for Chinese stock market # Intraday trading strategy based on time series and machine learning for Chinese stock market This article comes up with an intraday trading strategy under T+1 using Markowitz optimization and Multilayer Perceptron (MLP) with published stock data obtained from the Shenzhen Stock Exchange and Shanghai Stock Exchange. The empirical results reveal the profitability of Markowitz portfolio optimization and validate the intraday stock price prediction using MLP. The findings further combine the Markowitz optimization, an MLP with the trading strategy, to clarify this strategy's feasibility.
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.