LSTMのモメンタム指標による株式ポートフォリオ構築と取引
記事 arXiv papers · 著者: Hsiang-Hui Liu et al.
サマリー
NoxTraderは、過去のUS株価と出来高のデータから、リターン、週次価格、月次価格モメンタムなどの特徴量を作成します。LSTMモデルでリターンを予測し、持続的な価格トレンドを捉えます。実行中にモデルを動的に更新します。予測スコアは独自のバックテストシステム内でポートフォリオ管理に使われ、予測と実績の相関範囲は0.65から0.75と記載されています。
著者らは、予測データのフィルタリングにより、初期投資リターンが-60%から325%に変化したと報告しています。また、予測のばらつきを実際の市場データと比較しています。これらは報告された結果ですが、抜粋にはテスト期間、対象銘柄、コスト、ベンチマーク、リスクエクスポージャー、フィルタリング手順が記載されていません。そのため、提示された情報だけではパフォーマンスの主張を独立して評価できません。
主なアイデア
- US株式データからリターン、週次価格、月次価格モメンタムの特徴量を作成します。
- LSTMモデルでリターンを予測し、市場トレンドに適応するため取引中に更新します。
- 独自のバックテスト枠組みで予測スコアをポートフォリオ管理に使います。
- 予測の相関と、フィルタリング後の大幅な改善が報告されていますが、頑健性の判断に必要な詳細は示されていません。
タグ
全文
# 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%.
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。