Conjuntos de modelos de aprendizado de máquina e estratégias para prever opções de ações

Resumo

Este artigo descreve um estudo de acompanhamento sobre a previsão de tendências de opções de ações com aprendizado de máquina e o uso dessas previsões em trading. Examina redes neurais recorrentes e redes LSTM, e depois avalia a combinação de vários modelos para verificar se suas previsões podem apoiar decisões melhores. O trabalho também aplica o Método de quase reversibilidade, identificado no resumo como parte da abordagem de previsão.

Para a parte de trading, o artigo apresenta duas estratégias e resultados de investimento simulados. Usa um modelo estocástico binomial de precificação de ativos em tempo discreto e hedge da carteira para estimar os resultados do investimento. O resumo informa que a análise usa dados históricos, mas não detalha o conjunto de dados, o desenho da avaliação, os resultados específicos nem se as simulações consideram custos de transação e mudanças nas condições de mercado. Portanto, as alegações descrevem uma abordagem de pesquisa e uma simulação, e não evidências de desempenho em live trading.

Ideias principais

• O estudo aplica redes neurais recorrentes e redes LSTM à previsão de tendências de opções de ações.
• Avalia a combinação de vários modelos de aprendizado de máquina para apoiar previsões e decisões.
• O Método de quase reversibilidade faz parte da pesquisa sobre previsões.
• Duas estratégias de trading são avaliadas por meio de resultados simulados de investimento.
• Um modelo binomial de precificação em tempo discreto e o hedge da carteira orientam a análise de investimentos.

Tags

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.