コンテンツへスキップ
ライブラリの全資料

深層学習と進化的手法を組み合わせたETF投資

記事 arXiv papers · 著者: Prasang Gupta et al.
原文を読む

サマリー

この論文は、短期のETF購入判断を積み重ね、より長い期間で資産形成を目指すシステム投資手法を提案しています。進化的アルゴリズムと深層学習モデルを組み合わせ、従来の日次積立と比べて購入タイミングを改善します。決められた日に毎回同じように投資するのではなく、購入判断を時間とともに調整することを目指しています。

著者らは、特定のETFについて、従来の日次積立よりリターンが約1パーセント高いと報告しています。証拠は、シミュレーション上のバックテストだけでなく、個人向け証券取引プラットフォームを通じて執行された実際のアルゴリズム取引判断によるものだとしています。簡潔な説明には、対象のETF、評価期間、リスク指標、コスト、比較結果が他のファンドや市場環境にも当てはまるかが記されていません。したがって、報告された差は事例研究であり、このアンサンブルが長期投資の成果を改善するという広範な保証ではありません。

主なアイデア

  • この手法は進化的アルゴリズムと深層学習を組み合わせ、ETFの購入判断を支援します。
  • 短期の投資判断を積み重ね、長期的な資産形成を目指します。
  • 比較対象は、特定のETFに対する従来の日次積立です。
  • 著者らは実際のアルゴリズム取引判断による約1パーセント高いリターンを報告していますが、一般化可能性の詳細は限られています。

タグ

株式機械学習ポートフォリオ構築ポジションサイズ管理バックテスト
全文
# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies


# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies









Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.

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。