본문으로 건너뛰기
라이브러리 문서 전체

LSTM 모멘텀 신호를 활용한 주식 포트폴리오 구성과 매매

기사 arXiv papers · 저자: Hsiang-Hui Liu et al.
원문 읽기

요약

NoxTrader는 과거 US 주가와 거래량 데이터로 수익률, 주간 가격, 월간 가격 모멘텀 등의 특성을 만듭니다. LSTM 모델을 적용해 수익률과 지속적인 가격 추세를 예측하고, 실행 중 모델을 동적으로 갱신합니다. 예측 점수는 맞춤형 백테스팅 시스템에서 포트폴리오 관리를 이끌며, 문서에 따르면 예측과 실제 간 상관계수 범위는 0.65에서 0.75입니다.

저자들은 예측 데이터를 필터링해 초기 투자 수익률이 -60%에서 325%로 바뀌었다고 보고합니다. 예측 분산과 관측된 시장 데이터도 비교합니다. 이는 보고된 결과지만, 발췌문에는 검증 기간, 자산군, 비용, 벤치마크, 위험 노출, 필터링 절차가 명시되어 있지 않습니다. 따라서 제공된 정보만으로는 성과 주장을 독립적으로 평가할 수 없습니다.

핵심 아이디어

  • US 주식 데이터에서 수익률, 주간 가격, 월간 가격 모멘텀 특성을 생성합니다.
  • LSTM 모델로 수익률을 예측하고, 시장 추세에 맞추도록 매매 중 모델을 갱신합니다.
  • 맞춤형 백테스팅 프레임워크에서 예측 점수를 포트폴리오 관리에 활용합니다.
  • 문서는 예측 상관관계와 필터링 후 큰 개선을 보고하지만, 견고성을 판단하는 데 필요한 세부사항은 제시하지 않습니다.

태그

주식미국 시장모멘텀머신러닝백테스트포트폴리오 구성
전문
# 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%.

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

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