Signaux de momentum LSTM pour construire et négocier un portefeuille d’actions

Résumé

NoxTrader utilise des données historiques de prix et de volume des actions US pour créer des caractéristiques telles que les rendements et le momentum des prix à l’échelle hebdomadaire et mensuelle. Il applique un modèle LSTM pour prévoir les rendements et saisir les tendances persistantes des prix, en mettant à jour le modèle dynamiquement pendant l’exécution. Les scores prédictifs guident la gestion du portefeuille dans un système de backtesting personnalisé, et le document indique que les prévisions présentent une corrélation comprise entre 0.65 et 0.75.

Les auteurs rapportent que le filtrage des données de prévision a fait passer le rendement d’un investissement initial de -60% à 325%. Ils comparent également la dispersion des prévisions aux données de marché observées. Ces résultats sont rapportés, mais l’extrait ne précise ni la période de test, ni l’univers d’actifs, ni les coûts, ni l’indice de référence, ni l’exposition au risque, ni la méthode de filtrage. Les affirmations de performance ne peuvent donc pas être évaluées indépendamment à partir des informations fournies.

Idées clés

• Le système construit des caractéristiques de rendement et de momentum hebdomadaire et mensuel à partir de données boursières US.
• Un modèle LSTM prévoit les rendements et est mis à jour pendant le trading pour s’adapter aux tendances du marché.
• Les scores prédictifs servent à gérer des portefeuilles dans un cadre de backtesting personnalisé.
• Le document rapporte des corrélations de prévision et une forte amélioration après filtrage, mais omet les détails nécessaires pour en juger la robustesse.

Étiquettes

# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading


# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading









We introduce NoxTrader, a sophisticated system designed for portfolio construction and trading execution with the primary objective of achieving profitable outcomes in the stock market, specifically aiming to generate moderate to long-term profits. The underlying learning process of NoxTrader is rooted in the assimilation of valuable insights derived from historical trading data, particularly focusing on time-series analysis due to the nature of the dataset employed. In our approach, we utilize price and volume data of US stock market for feature engineering to generate effective features, including Return Momentum, Week Price Momentum, and Month Price Momentum. We choose the Long Short-Term Memory (LSTM)model to capture continuous price trends and implement dynamic model updates during the trading execution process, enabling the model to continuously adapt to the current market trends. Notably, we have developed a comprehensive trading backtesting system - NoxTrader, which allows us to manage portfolios based on predictive scores and utilize custom evaluation metrics to conduct a thorough assessment of our trading performance. Our rigorous feature engineering and careful selection of prediction targets enable us to generate prediction data with an impressive correlation range between 0.65 and 0.75. Finally, we monitor the dispersion of our prediction data and perform a comparative analysis against actual market data. Through the use of filtering techniques, we improved the initial -60% investment return to 325%.

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.