بهینه‌سازی میانگین‌واریانس سبد رمزارز با لحاظ احساسات
خلاصه
مقاله روشی پویا برای سبد ارزهای دیجیتال پیشنهاد می‌کند که سیگنال‌های تکنیکال را با احساسات اخبار ترکیب می‌کند. از شاخص قدرت نسبی و میانگین متحرک ساده 14-روزه برای بازنمایی مومنتوم استفاده می‌کند؛ VADER احساسات اخبار را تحلیل می‌کند و Google Gemini برای اعتبارسنجی به کار می‌رود. سیگنال‌های ترکیبی در چارچوب بهینه‌سازی میانگین‌واریانسِ مقید، برآورد بازده موردانتظار را شکل می‌دهند.
طبق گزارش، بک‌تست‌ها روی چندین ارز دیجیتال از نظر بازده تعدیل‌شده با ریسک و رشد تجمعی از استراتژی مومنتوم، استراتژی خریدوفروش استقراضی بیت‌کوین و سبد با وزن برابر بهتر عمل می‌کنند. مقایسه رویکردهای صرفاً مبتنی بر احساسات، صرفاً تکنیکال و ترکیبی نشان می‌دهد افزودن احساسات می‌تواند ثبات را بهبود دهد. مقاله همچنین از افت سرمایه چشمگیر در دوره‌های تنش بازار خبر می‌دهد و مدیریت ریسک را نیازی حل‌نشده می‌داند. شرح، ارقام دقیق عملکرد، فرض‌های هزینه تراکنش، محدودیت‌های سبد یا جزئیات زمان‌بندی داده‌ها را ارائه نمی‌کند؛ بنابراین نمی‌توان دستاوردهای ادعاشده و استحکام آن‌ها را مستقلاً از روی این خلاصه ارزیابی کرد.
ایده‌های کلیدی
- استراتژی، سیگنال‌های RSI و SMA را با احساسات استخراج‌شده از اخبار ارز دیجیتال ترکیب می‌کند.
- VADER سیگنال‌های احساسات را تولید می‌کند و سپس با مدل زبانی بزرگ اعتبارسنجی می‌شوند.
- سیگنال‌ها در بهینه‌ساز سبد میانگین‌واریانسِ مقید، بازده موردانتظار را شکل می‌دهند.
- بک‌تست گزارش‌شده از چند معیار مقایسه‌ای نام‌برده‌شده بهتر عمل می‌کند و از سودهای باثبات‌تر با ترکیب انواع سیگنال خبر می‌دهد.
- افت سرمایه چشمگیر در دوره‌های تنش بازار، نیاز به کنترل‌های ریسک بیشتر را نشان می‌دهد.
برچسب‌ها
متن کامل
# Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies # Sentiment-Aware Mean-Variance Portfolio Optimization for Cryptocurrencies Cryptocurrency markets are highly volatile and influenced by both price trends and market sentiment, making effective portfolio management challenging. This paper proposes a dynamic cryptocurrency portfolio strategy that integrates technical indicators and sentiment analysis to enhance investment decision-making. Market momentum is captured using the 14-day Relative Strength Index (RSI) and Simple Moving Average (SMA), while sentiment signals are extracted from news articles with VADER and further validated using the Google Gemini large language model. These signals are incorporated into expected return estimates and used in a constrained mean-variance optimization framework. Backtesting across multiple cryptocurrencies shows that the integrated approach outperforms traditional benchmarks, including momentum strategy, Bitcoin Long-Short strategy, and an equal-weighted portfolio, achieving stronger risk-adjusted returns and more consistent cumulative growth. Furthermore, comparing the sentiment-only and technical-only strategies shows that incorporating sentiment information alongside technical indicators can lead to more consistent performance gains. However, the strategies exhibit substantial drawdowns that coincide with known periods of market stress, indicating that additional risk-management components are required to improve stability.
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.