Prévisions orientées vers le profit par LSTM pour le trading d’indices boursiers

Résumé

Le document décrit un modèle profond LSTM et une stratégie de trading portant sur quatre indices boursiers des US. Au lieu de trader uniquement selon que le modèle prévoit une hausse ou une baisse, la stratégie utilise la position de chaque rendement prédit dans la distribution des prévisions pour estimer la rentabilité de la transaction. Le modèle est ajusté à l’objectif de trading de la stratégie, ce qui souligne que la qualité des prévisions et les règles de trading doivent être prises en compte conjointement.

Les tests rapportés portent sur le S&P 500, le DJIA, le NASDAQ et le Russell 2000, de 2010 à 2018. Le document donne les rendements cumulés de chaque indice et indique qu’ils ont dépassé ceux d’une stratégie passive d’achat-conservation et d’autres approches récentes. Il ne fournit pas ici de détails sur les coûts de transaction, la performance ajustée au risque, le protocole de validation ou la généralisation des résultats au-delà de cette période. Les rendements rapportés doivent donc être considérés comme des résultats d’étude, et non comme une preuve de performance future.

Idées clés

• Les performances du modèle et de la stratégie de trading sont liées ; elles devraient donc être conçues conjointement.
• Le modèle LSTM prévoit les prix des actifs à partir d’un historique limité de séances de trading.
• La stratégie utilise la position des rendements prédits dans leur distribution plutôt que leur seule direction.
• L’évaluation rapportée porte sur quatre indices boursiers des US entre 2010 et 2018.

Étiquettes

# High-performance stock index trading: making effective use of a deep LSTM neural network


# High-performance stock index trading: making effective use of a deep LSTM neural network









We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

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.