Réseaux de croyances profonds pour le trading de contrats à terme du Trésor

Résumé

Cette étude décrit une stratégie de fréquence moyenne pour un portefeuille de contrats à terme sur les bons du Trésor US à cinq et dix ans. Elle formule le trading comme une tâche de classification : prévoir si le portefeuille montera ou baissera au cours de la semaine à venir. Les données d’entrée sont des caractéristiques apprises par un réseau de croyances profond entraîné sur des indicateurs techniques des contrats à terme composant le portefeuille.

Les auteurs rapportent que la chaîne d’apprentissage automatique a généré des transactions rentables dans leurs expériences. La description disponible ne précise ni la période d’échantillonnage, ni le protocole de test, ni les coûts, ni la performance ajustée du risque, ni la comparaison avec des modèles plus simples. Elle expose donc l’approche de modélisation, mais fournit peu d’éléments pour juger de la robustesse ou du caractère déployable de la rentabilité annoncée. Une réussite expérimentale historique ne doit pas être considérée comme une assurance de rendements futurs.

Idées clés

• La stratégie négocie un portefeuille de contrats à terme sur les bons du Trésor US à cinq et dix ans.
• Elle prévoit la direction hebdomadaire du portefeuille sous forme de problème de classification.
• Un réseau de croyances profond extrait des caractéristiques des indicateurs techniques des contrats à terme composant le portefeuille.
• Les auteurs rapportent des résultats de trading expérimentaux rentables.
• La description ne fournit pas assez de détails pour évaluer la robustesse ou les coûts de trading.

Étiquettes

# Using machine learning for medium frequency derivative portfolio trading


# Using machine learning for medium frequency derivative portfolio trading









We use machine learning for designing a medium frequency trading strategy for a portfolio of 5 year and 10 year US Treasury note futures. We formulate this as a classification problem where we predict the weekly direction of movement of the portfolio using features extracted from a deep belief network trained on technical indicators of the portfolio constituents. The experimentation shows that the resulting pipeline is effective in making a profitable trade.

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.