Previsão profunda LSTM voltada ao lucro para trading de índices de ações

Resumo

O documento descreve um modelo profundo LSTM e uma estratégia de trading para quatro índices de ações dos US. Em vez de negociar somente com base na previsão de alta ou baixa do modelo, a estratégia usa a posição de cada retorno previsto dentro da distribuição das previsões para estimar a lucratividade da operação. O modelo é ajustado ao objetivo de trading da estratégia, destacando que a qualidade das previsões e as regras de trading precisam ser consideradas em conjunto.

Os testes relatados abrangem o S&P 500, DJIA, NASDAQ e Russell 2000, de 2010 a 2018. O documento informa os retornos acumulados de cada índice e diz que superaram a estratégia de comprar e manter e outras abordagens recentes. Não apresenta aqui detalhes sobre custos de transação, desempenho ajustado ao risco, desenho da validação nem sobre a generalização dos resultados para além desse período. Portanto, os retornos relatados devem ser entendidos como resultados do estudo, não como evidências de desempenho futuro.

Ideias principais

• O desempenho do modelo e o da estratégia de trading estão relacionados, por isso devem ser projetados em conjunto.
• O LSTM prevê preços de ativos usando um histórico relativamente curto de observações de dias de negociação.
• A estratégia usa a posição dos retornos previstos dentro da distribuição, em vez de considerar apenas sua direção.
• A avaliação relatada abrange quatro índices de ações dos US entre 2010 e 2018.

Tags

# High-performance stock index trading: making effective use of a deep LSTM neural network


# High-performance stock index trading: making effective use of a deep LSTM neural network









We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

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.