Combiner apprentissage profond et méthodes évolutionnaires pour investir en ETF

Résumé

L’article propose une approche d’investissement systématique visant à constituer un patrimoine sur un horizon plus long au moyen d’une série de décisions d’achat à court terme de ETF. Il combine des algorithmes évolutionnaires et un modèle d’apprentissage profond afin d’améliorer le calendrier des versements par rapport à l’investissement systématique quotidien classique. L’objectif est d’adapter les décisions d’achat au fil du temps au lieu d’investir de la même manière à chaque échéance prévue.

Les auteurs rapportent des rendements supérieurs d’environ un pour cent à ceux de l’investissement systématique quotidien traditionnel pour un ETF donné. Ils indiquent que les éléments de preuve proviennent de décisions de trading algorithmique en réel exécutées via une plateforme de courtage destinée aux particuliers, et pas uniquement d’un backtest simulé. La brève description ne précise pas le ETF, la période d’évaluation, les mesures de risque, les coûts ni la généralisation de la comparaison à d’autres fonds et conditions de marché. La différence rapportée constitue donc une étude de cas, et non une garantie générale que l’ensemble améliorera les résultats d’investissement à long terme.

Idées clés

• La méthode combine des algorithmes évolutionnaires et l’apprentissage profond pour guider les décisions d’achat de ETF.
• Elle vise à constituer un patrimoine à long terme par une série de choix d’investissement à court terme.
• La comparaison porte sur l’investissement systématique quotidien classique dans un ETF donné.
• Les auteurs rapportent des rendements supérieurs d’environ un pour cent avec des décisions algorithmiques en réel, mais donnent peu de détails sur la généralisation.

Étiquettes

# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies


# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies









Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.

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.