본문으로 건너뛰기
라이브러리 문서 전체

분산 알고리즘 전략으로 주가지수 전략 헤지

기사 arXiv papers · 저자: Jakub Michańków et al.
원문 읽기

요약

이 논문은 비주식 자산으로 만든 전략이 S&P 500에 연동된 알고리즘 투자 전략을 분산할 수 있는지 연구합니다. LSTM 예측, ARIMA-GARCH 예측, 모멘텀, 역추세 규칙으로 만든 신호를 비교합니다. 대상 자산에는 에너지 원자재, 귀금속, 암호화폐, 연성 원자재가 포함됩니다. 개별 자산을 결합하는 문제에서 해당 자산을 거래하는 전략을 결합하는 문제로 분산투자 질문을 바꿉니다.

2004부터 2022까지의 데이터를 사용한 연구에서는 LSTM 기반 전략이 다른 접근법보다 성과가 좋았고, 비트코인 기반 전략이 S&P 500 전략 집합에 가장 강한 분산 효과를 보였다고 보고합니다. 시간 단위 LSTM 신호도 살펴보고 일간 데이터보다 나은 결과를 보고합니다. 이 결과는 조사한 자산, 기간, 전략 구성에 한정된 실증 결과입니다. 요약에는 거래 비용, 위험 조정, 표본 외 검증에 관한 세부 정보가 없습니다.

핵심 아이디어

  • 이 연구는 개별 자산만이 아니라 알고리즘 전략 간 분산 효과를 평가합니다.
  • LSTM 및 ARIMA-GARCH 예측을 모멘텀·역추세 신호와 비교합니다.
  • 여러 원자재·암호화폐 전략과 S&P 500 전략 집합을 함께 시험합니다.
  • 저자들은 비트코인 기반 전략이 S&P 500 전략 집합에 가장 강한 분산 효과를 제공했다고 보고합니다.
  • 시간 단위 LSTM 전략이 일간 전략보다 성과가 좋았다고 연구는 보고합니다.

태그

멀티에셋머신러닝포트폴리오 구성리스크 관리백테스트
전문
# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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

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