ترکیب مدل‌های یادگیری ماشین و راهبردهای معاملاتی برای پیش‌بینی اختیار سهام

خلاصه

این مقاله پژوهشی پیگیرانه درباره پیش‌بینی روند اختیار سهام با یادگیری ماشین و کاربرد پیش‌بینی‌ها در معامله را شرح می‌دهد. شبکه‌های عصبی بازگشتی و شبکه‌های حافظه کوتاه‌مدت و بلندمدت را بررسی می‌کند و سپس ترکیب چند مدل را می‌سنجد تا مشخص شود آیا پیش‌بینی‌های آن‌ها می‌توانند تصمیم‌گیری را بهبود دهند. این پژوهش همچنین روش شبه‌وارون‌پذیری را به‌کار می‌گیرد که در چکیده بخشی از رویکرد پیش‌بینی معرفی شده است.

برای بخش معاملاتی، مقاله دو راهبرد و نتایج سرمایه‌گذاری شبیه‌سازی‌شده را ارائه می‌کند. برای برآورد پیامدهای سرمایه‌گذاری از مدل قیمت‌گذاری دوجمله‌ای تصادفی زمان‌گسسته و پوشش ریسک سبد استفاده می‌کند. چکیده می‌گوید تحلیل بر داده‌های تاریخی متکی است، اما جزئیاتی درباره مجموعه‌داده، طراحی ارزیابی، نتایج مشخص یا لحاظ‌شدن هزینه‌های معامله و تغییر شرایط بازار در شبیه‌سازی‌ها ارائه نمی‌کند. بنابراین ادعاها روش پژوهشی و شبیه‌سازی را توصیف می‌کنند، نه شواهدی از عملکرد در معامله زنده.

ایده‌های کلیدی

• این پژوهش شبکه‌های عصبی بازگشتی و شبکه‌های حافظه کوتاه‌مدت و بلندمدت را برای پیش‌بینی روند اختیار سهام به‌کار می‌گیرد.
• ترکیب چند مدل یادگیری ماشین برای پشتیبانی از پیش‌بینی و تصمیم‌گیری ارزیابی می‌شود.
• روش شبه‌وارون‌پذیری در پژوهش پیش‌بینی گنجانده شده است.
• دو راهبرد معاملاتی با نتایج سرمایه‌گذاری شبیه‌سازی‌شده سنجیده می‌شوند.
• مدل قیمت‌گذاری دوجمله‌ای زمان‌گسسته و پوشش ریسک سبد، مبنای تحلیل سرمایه‌گذاری‌اند.

برچسب‌ها

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.