Адаптивная к режимам рынка стратегия для акций: индикаторы, настроения и машинное обучение

Сводка

В статье описана система торговли акциями, объединяющая сигналы тренда и импульса от экспоненциальных скользящих средних и MACD с сигналами возврата к среднему от RSI и полос Боллинджера. Она учитывает оценки финансовых настроений FinBERT, использует XGBoost для генерации сигналов и фильтрует или корректирует размер позиции в зависимости от волатильности и доходности. Система призвана адаптироваться к смене рыночных режимов, когда традиционные подходы следования за трендом или возврата к среднему могут испытывать трудности.

За период в 24 месяцев в документе указана итоговая стоимость портфеля $235,492.83 и доходность 135.49% от первоначальных вложений. Также заявлено превосходство над S&P 500 и NASDAQ-100 при меньшем риске снижения. В отрывке не указаны даты, начальный капитал, инструменты, транзакционные издержки, схема проверки или статистики риска, поэтому эти цифры сами по себе не подтверждают устойчивость результатов или готовность системы к применению. Указанные результаты относятся к описанной оценке и не являются общим ожиданием.

Ключевые идеи

• Система сочетает индикаторы тренда и импульса с индикаторами возврата к среднему для генерации сигналов по акциям.
• В генерации сигналов используются анализ настроений FinBERT и XGBoost.
• Волатильность и динамика доходности используются для фильтрации рыночных режимов и корректировки размера позиции.
• В статье заявлены доходность 135.49% за 24 месяцев и превосходство над двумя фондовыми эталонами, но в отрывке нет подробностей оценки.

Теги

# 2601.19504


# Generating Alpha: A Hybrid AI-Driven Trading System Integrating Technical Analysis, Machine Learning and Financial Sentiment for Regime-Adaptive Equity Strategies









The intricate behavior patterns of financial markets are influenced by fundamental, technical, and psychological factors. During times of high volatility and regime shifts causes many traditional strategies like trend-following or mean-reversion to fail. This paper proposes a hybrid AI-based trading strategy that combines (1) trend-following and directional momentum capture via EMA and MACD, (2) detection of price normalization through mean-reversion using RSI and Bollinger Bands, (3) market psychological interpretation through sentiment analysis using FinBERT, (4) signal generation through machine learning using XGBoost and (5)dynamically adjusting exposure with market regime filtering based on volatility and return environments. The system achieved a final portfolio value of $235,492.83, yielding a return of 135.49% on initial investment over a period of 24 months. The hybrid model outperformed major benchmark indexes like S&P 500 and NASDAQ-100 over the same period showing strong flexibility and lower downside risk with superior profits validating the use of multi-modal AI in algorithmic trading.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.