Estratégia acionária adaptativa a regimes com indicadores, sentimento e aprendizado de máquina

Resumo

O artigo descreve um sistema de trading de ações que combina sinais de tendência e momentum de médias móveis exponenciais e MACD com sinais de reversão à média de RSI e bandas de Bollinger. Ele adiciona estimativas de sentimento financeiro do FinBERT, usa XGBoost para gerar sinais e filtra ou ajusta a exposição conforme as condições de volatilidade e retorno. O projeto busca se adaptar quando os regimes de mercado mudam e abordagens convencionais de seguimento de tendências ou reversão à média podem ter dificuldades.

Para um período de 24 meses, o documento relata um valor final de carteira de $235,492.83 e um retorno de 135.49% sobre o investimento inicial. Também afirma que superou o S&P 500 e o NASDAQ-100, com menor risco de queda. O trecho não especifica as datas, o capital inicial, os instrumentos, os custos de transação, o desenho de validação ou as estatísticas de risco; portanto, esses números, por si só, não demonstram robustez nem viabilidade de implantação. O desempenho relatado deve ser entendido como resultado da avaliação descrita, e não como uma expectativa geral.

Ideias principais

• O sistema combina indicadores de tendência e momentum com indicadores de reversão à média para gerar sinais de ações.
• A análise de sentimento do FinBERT e o XGBoost fazem parte do processo de geração de sinais.
• As condições de volatilidade e retorno orientam a filtragem por regime e o ajuste da exposição.
• O artigo relata um retorno de 135.49% em 24 meses e desempenho superior ao de dois índices acionários de referência, mas o trecho omite detalhes da avaliação.

Tags

# 2601.19504


# Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies









The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.