Sinais de momentum LSTM para montar e negociar carteiras de ações
Resumo
O NoxTrader usa dados históricos de preços e volumes de ações dos US para criar variáveis como retorno, preço semanal e momentum mensal de preços. Aplica um modelo LSTM para prever retornos e capturar tendências persistentes de preços, atualizando o modelo dinamicamente durante a execução. As pontuações preditivas orientam a gestão da carteira em um sistema próprio de backtesting, e o documento afirma que as previsões apresentam uma faixa de correlação de 0.65 a 0.75.
Os autores relatam que filtrar os dados de previsão alterou o retorno inicial do investimento de -60% para 325%. Também comparam a dispersão das previsões com dados de mercado observados. Esses são resultados relatados, mas o trecho não especifica o período de teste, o universo, os custos, o benchmark, a exposição ao risco nem o procedimento de filtragem. Portanto, não é possível avaliar as alegações de desempenho de forma independente com as informações fornecidas.
Ideias principais
- O sistema cria variáveis de retorno, preço semanal e momentum mensal a partir de dados de ações dos US.
- Um modelo LSTM prevê retornos e é atualizado durante o trading para se adaptar às tendências do mercado.
- As pontuações preditivas são usadas para gerir carteiras em uma estrutura própria de backtesting.
- O documento relata correlações das previsões e uma grande melhora após a filtragem, mas omite detalhes necessários para avaliar a robustez.
Tags
Texto completo
# 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%.
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.