Couvrir les stratégies sur indices boursiers avec des stratégies algorithmiques diversifiées

Résumé

L’article étudie si des stratégies fondées sur des actifs autres que des actions peuvent diversifier les stratégies d’investissement algorithmiques liées au S&P 500. Il compare les signaux issus des prévisions LSTM, des prévisions ARIMA-GARCH, du momentum et de règles contrarians. Les actifs considérés comprennent les matières premières énergétiques, les métaux précieux, les cryptomonnaies et les matières premières agricoles. La question de la diversification passe ainsi de la combinaison d’actifs individuels à celle de stratégies qui négocient ces actifs.

À partir de données couvrant 2004 à 2022, l’étude rapporte que les stratégies fondées sur LSTM ont obtenu de meilleurs résultats que les autres approches et qu’une stratégie fondée sur le Bitcoin a été le meilleur facteur de diversification pour l’ensemble de stratégies sur le S&P 500. Elle examine aussi les signaux LSTM horaires et rapporte de meilleurs résultats qu’avec les données quotidiennes. Ces résultats sont empiriques et propres aux actifs, à la période et à la construction des stratégies étudiés ; le résumé ne donne aucun détail sur les coûts de transaction, l’ajustement au risque ou la validation hors échantillon.

Idées clés

• L’étude évalue la diversification entre stratégies algorithmiques, plutôt qu’entre seuls actifs individuels.
• Elle compare les prévisions LSTM et ARIMA-GARCH aux signaux de momentum et contrarians.
• Les tests couvrent plusieurs stratégies sur matières premières et cryptomonnaies, ainsi qu’un ensemble de stratégies sur le S&P 500.
• Les auteurs indiquent que les stratégies fondées sur le Bitcoin diversifiaient le mieux l’ensemble de stratégies sur le S&P 500.
• Selon l’étude, les stratégies LSTM horaires ont surpassé leurs équivalents quotidiens.

Étiquettes

# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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.