رفتن به محتوا
همه اسناد کتابخانه

سیگنال‌های مومنتوم LSTM برای ساخت و معامله سبد سهام

مقاله arXiv papers · نویسنده: Hsiang-Hui Liu et al.

خلاصه

NoxTrader از داده‌های تاریخی قیمت و حجم سهام US برای ساخت ویژگی‌هایی مانند بازده، قیمت هفتگی و مومنتوم قیمت ماهانه استفاده می‌کند. این سامانه برای پیش‌بینی بازده و شناسایی روندهای پایدار قیمت، مدل LSTM را به کار می‌گیرد و هنگام اجرا آن را به‌صورت پویا به‌روزرسانی می‌کند. امتیازهای پیش‌بینی در یک سامانه اختصاصی بک‌تست، مدیریت سبد را هدایت می‌کنند و سند می‌گوید همبستگی پیش‌بینی‌ها در بازه 0.65 تا 0.75 است.

نویسندگان گزارش می‌کنند که پالایش داده‌های پیش‌بینی، بازده سرمایه‌گذاری را از -60% به 325% تغییر داد. آن‌ها پراکندگی پیش‌بینی‌ها را نیز با داده‌های مشاهده‌شده بازار مقایسه می‌کنند. این‌ها نتایج گزارش‌شده‌اند، اما چکیده دوره آزمون، مجموعه دارایی‌ها، هزینه‌ها، معیار مقایسه، میزان ریسک یا روش پالایش را مشخص نمی‌کند. بنابراین نمی‌توان ادعاهای عملکرد را مستقلاً و بر اساس اطلاعات موجود ارزیابی کرد.

ایده‌های کلیدی

  • این سامانه با داده‌های سهام US، ویژگی‌های بازده، قیمت هفتگی و مومنتوم قیمت ماهانه را می‌سازد.
  • مدل LSTM بازده را پیش‌بینی می‌کند و هنگام معامله به‌روزرسانی می‌شود تا با روندهای بازار سازگار شود.
  • از امتیازهای پیش‌بینی برای مدیریت سبدها در چارچوب اختصاصی بک‌تست استفاده می‌شود.
  • سند از همبستگی پیش‌بینی‌ها و بهبود چشمگیر پس از پالایش گزارش می‌دهد، اما جزئیات لازم برای سنجش استحکام نتیجه را ارائه نمی‌کند.

برچسب‌ها

متن کامل
# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading


# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading









We introduce NoxTrader, a sophisticated system designed for portfolio construction and trading execution with the primary objective of achieving profitable outcomes in the stock market, specifically aiming to generate moderate to long-term profits. The underlying learning process of NoxTrader is rooted in the assimilation of valuable insights derived from historical trading data, particularly focusing on time-series analysis due to the nature of the dataset employed. In our approach, we utilize price and volume data of US stock market for feature engineering to generate effective features, including Return Momentum, Week Price Momentum, and Month Price Momentum. We choose the Long Short-Term Memory (LSTM)model to capture continuous price trends and implement dynamic model updates during the trading execution process, enabling the model to continuously adapt to the current market trends. Notably, we have developed a comprehensive trading backtesting system - NoxTrader, which allows us to manage portfolios based on predictive scores and utilize custom evaluation metrics to conduct a thorough assessment of our trading performance. Our rigorous feature engineering and careful selection of prediction targets enable us to generate prediction data with an impressive correlation range between 0.65 and 0.75. Finally, we monitor the dispersion of our prediction data and perform a comparative analysis against actual market data. Through the use of filtering techniques, we improved the initial -60% investment return to 325%.

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.