본문으로 건너뛰기
라이브러리 문서 전체

딥러닝과 진화 알고리즘을 결합한 ETF 투자

기사 arXiv papers · 저자: Prasang Gupta et al.
원문 읽기

요약

이 논문은 단기 ETF 매수 결정을 이어가며 장기적으로 자산을 늘리려는 체계적 투자 접근법을 제안합니다. 진화 알고리즘과 딥러닝 모델을 결합해 기존의 일별 정기 투자보다 납입 시점을 개선합니다. 매번 정해진 날에 같은 방식으로 투자하는 대신, 시간에 따라 매수 결정을 조정하는 것이 목표입니다.

저자들은 특정 ETF에서 기존의 일별 정기 투자보다 약 1퍼센트 높은 수익률을 보고합니다. 근거는 모의 백테스트에만 의존하지 않고 소매 증권사 플랫폼을 통해 실행한 실거래 알고리즘 매매 결정에서 나왔다고 설명합니다. 간략한 설명에는 ETF, 평가 기간, 위험 지표, 비용, 다른 펀드와 시장 상황에도 비교 결과가 일반화되는지가 제시되지 않습니다. 따라서 보고된 차이는 사례 연구이며, 이 앙상블이 장기 투자 성과를 개선한다는 포괄적 보장은 아닙니다.

핵심 아이디어

  • 진화 알고리즘과 딥러닝을 결합해 ETF 매수 결정을 돕습니다.
  • 일련의 단기 투자 결정을 통해 장기 자산 증식을 목표로 합니다.
  • 특정 ETF에 대한 기존의 일별 정기 투자와 비교합니다.
  • 저자들은 실거래 알고리즘 매매 결정으로 약 1퍼센트 높은 수익률을 보고하지만, 일반화 가능성에 관한 세부 정보는 제한적입니다.

태그

주식머신러닝포트폴리오 구성포지션 규모 설정백테스트
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.