본문으로 건너뛰기
라이브러리 문서 전체

신경망 선행 테스트로 트레이딩 전략 선택

기사 arXiv papers · 저자: Ivan Letteri et al.
원문 읽기

요약

이 논문은 DNN-선행 테스트라는 전략 선택 절차를 제안합니다. 과거 가격에 대한 결과만으로 트레이딩 전략을 고르는 대신, 심층 피드포워드 신경망으로 가능한 미래 가격 경로를 먼저 예측하고 예측값에 기술적 지표를 적용합니다. 선택된 지표는 실제 미래 시장에서의 거래를 안내합니다. 설명된 절차에는 10개 증권의 탐색적 분석, k-means 기반 변동성 절차, 변동성 계수가 같은 제한된 자산 집합을 사용한 훈련이 포함됩니다. 이를 통해 향후 30일 가격을 예측합니다.

저자들은 신경망 예측이 고전적 통계 기법보다 우수하며, 예측 기반 절차로 선택한 전략이 전통적인 백테스트 선택에 비해 기대수익, 샤프, 소르티노, 칼마 비율을 개선했다고 보고합니다. 제공된 설명에는 증권 목록이나 예측 정확도 지표, 구현 세부 정보, 평가 기간이 없습니다. 따라서 결과는 논문 요약의 주장일 뿐, 이 방법이 여러 자산이나 예측 조건에 일반화된다는 점을 입증하지 않습니다.

핵심 아이디어

  • 신경망 가격 예측에 기술적 지표를 적용해 트레이딩 전략을 선택합니다.
  • 모형 훈련 전에 k-means 기반 절차로 변동성에 따라 증권을 묶습니다.
  • 설명된 피드포워드 네트워크는 30일 앞의 주가를 예측합니다.
  • 저자들은 고전적 통계 기법보다 예측 성능이 높았다고 보고합니다.
  • 전통적 백테스팅으로 전략을 선택하는 방식보다 위험 및 수익 지표도 개선되었다고 보고합니다.

태그

주식머신러닝기술 지표백테스트통계
전문
# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks


# DNN-ForwardTesting: A New Trading Strategy Validation using Statistical Timeseries Analysis and Deep Neural Networks









In general, traders test their trading strategies by applying them on the historical market data (backtesting), and then apply to the future trades the strategy that achieved the maximum profit on such past data. In this paper, we propose a new trading strategy, called DNN-forwardtesting, that determines the strategy to apply by testing it on the possible future predicted by a deep neural network that has been designed to perform stock price forecasts and trained with the market historical data. In order to generate such an historical dataset, we first perform an exploratory data analysis on a set of ten securities and, in particular, analize their volatility through a novel k-means-based procedure. Then, we restrict the dataset to a small number of assets with the same volatility coefficient and use such data to train a deep feed-forward neural network that forecasts the prices for the next 30 days of open stocks market. Finally, our trading system calculates the most effective technical indicator by applying it to the DNNs predictions and uses such indicator to guide its trades. The results confirm that neural networks outperform classical statistical techniques when performing such forecasts, and their predictions allow to select a trading strategy that, when applied to the real future, increases Expectancy, Sharpe, Sortino, and Calmar ratios with respect to the strategy selected through traditional backtesting.

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

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