Глубокие сети убеждений для торговли фьючерсами на казначейские облигации

Сводка

В исследовании описывается стратегия средней частоты для портфеля фьючерсов на пятилетние и десятилетние казначейские облигации US. Торговля формулируется как задача классификации: нужно предсказать, вырастет или упадёт портфель в течение следующей недели. Для прогноза используются признаки, полученные глубокой сетью убеждений, обученной на технических индикаторах фьючерсов, входящих в портфель.

Авторы сообщают, что в их экспериментах получившийся конвейер машинного обучения давал прибыльные сделки. В доступном описании нет сведений о периоде выборки, схеме тестирования, издержках, доходности с поправкой на риск или сравнении с более простыми моделями. Поэтому изложен подход к моделированию, но данных недостаточно, чтобы оценить устойчивость или возможность применения заявленной прибыльности. Исторический успех в эксперименте не следует считать гарантией будущей доходности.

Ключевые идеи

• Стратегия торгует портфелем пятилетних и десятилетних фьючерсов на казначейские облигации US.
• Направление портфеля на неделю вперёд прогнозируется как задача классификации.
• Глубокая сеть убеждений извлекает признаки из технических индикаторов фьючерсов, входящих в портфель.
• Авторы сообщают о прибыльных результатах торговли в экспериментах.
• В описании недостаточно данных для оценки устойчивости результатов или торговых издержек.

Теги

# Using machine learning for medium frequency derivative portfolio trading


# Using machine learning for medium frequency derivative portfolio trading









We use machine learning for designing a medium frequency trading strategy for a portfolio of 5 year and 10 year US Treasury note futures. We formulate this as a classification problem where we predict the weekly direction of movement of the portfolio using features extracted from a deep belief network trained on technical indicators of the portfolio constituents. The experimentation shows that the resulting pipeline is effective in making a profitable trade.

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.