Ensembles d’apprentissage automatique et stratégies de trading pour prévoir les options sur actions

Résumé

Cet article décrit une étude de suivi sur la prévision des tendances des options sur actions à l’aide de l’apprentissage automatique, ainsi que l’utilisation de ces prévisions en trading. Il examine les réseaux neuronaux récurrents et les réseaux à mémoire à long et court terme, puis évalue la combinaison de plusieurs modèles afin de déterminer si leurs prévisions peuvent améliorer les décisions. Les travaux appliquent également la méthode de quasi-réversibilité, présentée dans le résumé de l’article comme faisant partie de l’approche de prévision.

Pour la composante trading, l’article présente deux stratégies et des résultats d’investissement simulés. Il utilise un modèle stochastique binomial discret de valorisation des actifs et la couverture de portefeuille pour estimer les résultats d’investissement. Le résumé indique que l’analyse s’appuie sur des données historiques, mais ne précise ni le jeu de données, ni le protocole d’évaluation, ni les résultats détaillés, ni si les simulations tiennent compte des coûts de transaction et de l’évolution des conditions de marché. Les affirmations décrivent donc une approche de recherche et une simulation, et non des preuves de performance en trading réel.

Idées clés

• L’étude applique des réseaux neuronaux récurrents et des réseaux à mémoire à long et court terme à la prévision des tendances des options sur actions.
• Elle évalue la combinaison de plusieurs modèles d’apprentissage automatique pour faciliter les prévisions et la prise de décision.
• La méthode de quasi-réversibilité fait partie des travaux sur la prévision.
• Deux stratégies de trading sont évaluées au moyen de résultats d’investissement simulés.
• L’analyse des investissements s’appuie sur un modèle binomial discret de valorisation et sur la couverture de portefeuille.

Étiquettes

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.