コンテンツへスキップ
ライブラリの全資料

株式・暗号資産のトレード戦略を比較評価する手順

記事 arXiv papers · 著者: Luyao Zhang et al.
原文を読む

サマリー

この文書では、株式市場と暗号資産市場におけるアルゴリズム取引戦略を設計、実装、評価するための一般的な手順を提示しています。単純移動平均のクロスオーバー、出来高加重の執行手法、センチメントに基づく取引、統計的裁定の4例を扱います。後続の研究や実用を支えるオブジェクト指向の実装を通じて、戦略の開発と比較をより体系化することを目指しています。

要旨では手順と例示する戦略を説明していますが、パフォーマンス結果、データセット、評価指標、実装の詳細は示していません。そのため、枠組みの構成は分かりますが、どの手法が優れているか、あるいは利益が得られる戦略があるかは明らかになっていません。また、取引コスト、市場環境、リスク管理の具体的な扱いもないため、実用性の結論にはさらなる証拠が必要です。

主なアイデア

  • 株式市場と暗号資産市場にまたがる戦略の設計と評価を、共通の手順で整理できます。
  • テクニカルシグナル、執行、センチメント、統計的関係にまたがる4手法で、プロセスを例示しています。
  • 一貫した評価の枠組みにより、取引手法をより体系的に比較できます。
  • 要旨には実証的なパフォーマンスや、実用性を判断するための十分な方法論の詳細がありません。

タグ

マルチアセットバックテストテクニカル指標センチメント裁定取引
全文
# A Data Science Pipeline for Algorithmic Trading: A Comparative Study of Applications for Finance and Cryptoeconomics


# A Data Science Pipeline for Algorithmic Trading: A Comparative Study of Applications for Finance and Cryptoeconomics









Recent advances in Artificial Intelligence (AI) have made algorithmic trading play a central role in finance. However, current research and applications are disconnected information islands. We propose a generally applicable pipeline for designing, programming, and evaluating the algorithmic trading of stock and crypto assets. Moreover, we demonstrate how our data science pipeline works with respect to four conventional algorithms: the moving average crossover, volume-weighted average price, sentiment analysis, and statistical arbitrage algorithms. Our study offers a systematic way to program, evaluate, and compare different trading strategies. Furthermore, we implement our algorithms through object-oriented programming in Python3, which serves as open-source software for future academic research and applications.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。