コンテンツへスキップ
ライブラリの全資料

機械学習アンサンブルによる株式オプション予測と取引戦略

記事 arXiv papers · 著者: Zheng Cao et al.
原文を読む

サマリー

本論文は、機械学習による株式オプションのトレンド予測と、その予測を取引に応用する後続研究について説明します。再帰型ニューラルネットワークと長短期記憶ネットワークを検討し、複数モデルを組み合わせることで予測がより良い意思決定に役立つかを評価します。また、予測手法の一部として、要旨で言及されている準可逆性法も適用します。

取引部分では、2つの戦略とシミュレーションによる投資結果を提示します。投資結果の推定には、離散時間の確率的二項資産価格モデルとポートフォリオ・ヘッジを用います。要旨によると分析には過去データを使っていますが、データセット、評価設計、具体的な結果、シミュレーションで取引コストや市場環境の変化を考慮したかどうかは記載されていません。したがって、主張されているのは研究手法とシミュレーションであり、実運用の成績を示す証拠ではありません。

主なアイデア

  • 再帰型ニューラルネットワークと長短期記憶ネットワークを株式オプションのトレンド予測に適用します。
  • 予測と意思決定を支援するため、複数の機械学習モデルの組み合わせを評価します。
  • 予測研究に準可逆性法を取り入れています。
  • シミュレーションによる投資結果を通じて、2つの取引戦略を評価します。
  • 投資分析には離散時間二項価格モデルとポートフォリオ・ヘッジを用います。

タグ

オプション機械学習バックテストポートフォリオ構築
全文
# 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.

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。