Combinação de deep learning e métodos evolutivos para investir em ETF

Resumo

O artigo propõe uma abordagem sistemática de investimento que busca acumular patrimônio no longo prazo por meio de uma sequência de decisões de compra de curto prazo de ETF. Ela combina algoritmos evolutivos com um modelo de deep learning para melhorar o momento das contribuições em comparação com o investimento sistemático diário convencional. O objetivo é adaptar as decisões de compra ao longo do tempo, em vez de investir da mesma forma em cada dia programado.

Os autores relatam retornos aproximadamente um por cento maiores do que o investimento sistemático diário tradicional para um determinado ETF. Segundo eles, as evidências vêm de decisões de trading algorítmico ao vivo executadas por meio de uma plataforma de corretagem de varejo, e não apenas de um backtest simulado. A breve descrição não especifica o ETF, o período de avaliação, as medidas de risco, os custos nem se a comparação se aplica a outros fundos e condições de mercado. Portanto, a diferença relatada é um estudo de caso, não uma garantia ampla de que o conjunto de métodos melhorará os resultados de investimento no longo prazo.

Ideias principais

• O método combina algoritmos evolutivos e deep learning para orientar decisões de compra de ETF.
• O objetivo é acumular patrimônio no longo prazo por meio de uma série de escolhas de investimento de curto prazo.
• A comparação é com o investimento sistemático diário convencional em um determinado ETF.
• Os autores relatam retornos cerca de um por cento maiores com decisões algorítmicas ao vivo, mas fornecem poucos detalhes sobre a generalização dos resultados.

Tags

# 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.

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.