رفتن به محتوا
همه اسناد کتابخانه

پیش‌بینی روند بازار با یادگیری عمیق، فراتر از مومنتوم تاریخی

مقاله arXiv papers · نویسنده: Fernando Berzal et al.

خلاصه

مقاله استدلال می‌کند که استراتژی‌های متعارف پیروی از روند و مومنتوم به رفتار گذشته قیمت متکی‌اند و ممکن است هنگام تغییر شرایط بازار محدودیت داشته باشند. پیشنهاد آن استفاده از هوش مصنوعی و روش‌های یادگیری ماشین برای پیش‌بینی روندهای آتی بازار، با هدف کمک به تصمیم‌گیری‌های مدیریت دارایی است.

نویسندگان پیشنهاد می‌کنند پیش‌بینی‌های دقیق ممکن است به افزایش بازده و کاهش افت سرمایه کمک کنند، اما متن ارائه‌شده مدل مشخص، داده‌های ورودی، طراحی ارزیابی یا نتایج اندازه‌گیری‌شده‌ای را شرح نمی‌دهد. بنابراین، مزایای ادعاشده در این بخش باید انگیزه پژوهش تلقی شوند، نه شواهد اثبات‌شده. این متن توجیهی کلی برای مدل‌های پیش‌بینی روند ارائه می‌دهد، اما جزئیات کافی برای قضاوت درباره استحکام، پیاده‌سازی یا عملکرد آن‌ها در مقایسه با استراتژی‌های جاافتاده ندارد.

ایده‌های کلیدی

  • مقاله پیروی از روند و مومنتوم تاریخی را به دلیل اتکای آن‌ها به رفتار گذشته بازار محدود می‌داند.
  • مقاله به‌کارگیری روش‌های یادگیری ماشین برای پیش‌بینی روندهای آتی بازار را پیشنهاد می‌کند.
  • هدف از پیش‌بینی‌های پیشنهادی، پشتیبانی از تصمیم‌های مدیریت دارایی است.
  • این بخش جزئیات مدل یا شواهد تجربی برای مزایای پیشنهادی در زمینه بازده و افت سرمایه ارائه نمی‌کند.

برچسب‌ها

متن کامل
# Beyond Trend Following: Deep Learning for Market Trend Prediction


# Beyond Trend Following: Deep Learning for Market Trend Prediction









Trend following and momentum investing are common strategies employed by asset managers. Even though they can be helpful in the proper situations, they are limited in the sense that they work just by looking at past, as if we were driving with our focus on the rearview mirror. In this paper, we advocate for the use of Artificial Intelligence and Machine Learning techniques to predict future market trends. These predictions, when done properly, can improve the performance of asset managers by increasing returns and reducing drawdowns.

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.