Stratégie actions adaptative aux régimes, combinant indicateurs, sentiment et apprentissage automatique

Résumé

L’article décrit un système de trading d’actions qui combine des signaux de tendance et de momentum issus des moyennes mobiles exponentielles et du MACD avec des signaux de retour à la moyenne issus du RSI et des bandes de Bollinger. Il ajoute des estimations du sentiment financier produites par FinBERT, utilise XGBoost pour générer des signaux et filtre ou ajuste l’exposition selon la volatilité et les conditions de rendement. La conception vise à s’adapter lorsque les régimes de marché changent et que les approches classiques de suivi de tendance ou de retour à la moyenne peuvent rencontrer des difficultés.

Sur une période de 24 mois, le document rapporte une valeur finale du portefeuille de $235,492.83 et un rendement de 135.49% sur l’investissement initial. Il affirme également avoir dépassé le S&P 500 et le NASDAQ-100, avec un risque de baisse moindre. L’extrait ne précise ni les dates, ni le capital de départ, ni les instruments, ni les coûts de transaction, ni le protocole de validation, ni les statistiques de risque ; ces chiffres ne suffisent donc pas à établir la robustesse ou la possibilité de déploiement. Les performances rapportées doivent être considérées comme le résultat de l’évaluation décrite, et non comme une attente générale.

Idées clés

• Le système combine des indicateurs de tendance et de momentum avec des indicateurs de retour à la moyenne pour produire des signaux sur les actions.
• L’analyse du sentiment par FinBERT et XGBoost participent au processus de génération des signaux.
• Les conditions de volatilité et de rendement guident le filtrage par régime et l’ajustement de l’exposition.
• L’article rapporte un rendement de 135.49% sur 24 mois et une surperformance par rapport à deux indices boursiers, mais l’extrait omet les détails de l’évaluation.

Étiquettes

# 2601.19504


# Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies









The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.