Proteção de estratégias de índices de ações com estratégias algorítmicas diversificadas

Resumo

O artigo estuda se estratégias baseadas em ativos que não são ações podem diversificar estratégias de investimento algorítmicas ligadas ao S&P 500. Ele compara sinais gerados por previsões LSTM, previsões ARIMA-GARCH, momentum e regras contrárias. Os ativos considerados incluem commodities de energia, metais preciosos, criptomoedas e commodities agrícolas tropicais. Isso desloca a questão da diversificação da combinação de ativos individuais para a combinação de estratégias que negociam esses ativos.

Com dados de 2004 a 2022, o estudo relata que estratégias baseadas em LSTM tiveram desempenho superior às outras abordagens e que uma estratégia baseada em Bitcoin foi a que mais diversificou o conjunto de estratégias do S&P 500. Também examina sinais LSTM por hora e relata resultados melhores do que com dados diários. Essas descobertas são empíricas e específicas aos ativos, ao período e à construção das estratégias examinadas; o resumo não detalha custos de transação, ajuste ao risco ou validação fora da amostra.

Ideias principais

• O estudo avalia a diversificação entre estratégias algorítmicas, e não apenas entre ativos individuais.
• Compara previsões LSTM e ARIMA-GARCH com sinais de momentum e contrários.
• Os testes abrangem várias estratégias com commodities e criptomoedas, além de um conjunto de estratégias do S&P 500.
• Os autores relatam que estratégias baseadas em Bitcoin foram as que mais diversificaram o conjunto do S&P 500.
• Segundo o estudo, estratégias LSTM por hora superaram suas equivalentes diárias.

Tags

# 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.

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.