Объединение глубокого обучения и эволюционных методов для инвестирования в ETF

Сводка

В статье предлагается систематический подход к инвестициям, предназначенный для приумножения капитала на длительном горизонте с помощью последовательности краткосрочных решений о покупке ETF. Он сочетает эволюционные алгоритмы с моделью глубокого обучения, чтобы улучшить выбор времени для взносов по сравнению с традиционными ежедневными систематическими инвестициями. Цель — со временем адаптировать решения о покупках, а не инвестировать одинаково в каждый запланированный день.

Авторы сообщают, что доходность примерно на один процент выше, чем при традиционном ежедневном систематическом инвестировании в конкретный ETF. По их словам, данные получены на основе решений алгоритмической торговли на реальном счёте через розничную брокерскую платформу, а не только в симулированном бэктесте. В кратком описании не указаны ETF, период оценки, показатели риска, издержки и то, применимо ли сравнение к другим фондам и рыночным условиям. Поэтому сообщённая разница представляет собой пример из практики, а не общую гарантию улучшения долгосрочных инвестиционных результатов благодаря ансамблю.

Ключевые идеи

• Метод сочетает эволюционные алгоритмы и глубокое обучение, чтобы направлять решения о покупке ETF.
• Он нацелен на долгосрочное накопление капитала посредством серии краткосрочных инвестиционных решений.
• Сравнение проводится с традиционным ежедневным систематическим инвестированием в конкретный ETF.
• Авторы сообщают о доходности примерно на один процент выше при использовании алгоритмических решений на реальном счёте, однако подробностей о применимости результата мало.

Теги

# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies


# Intelligent Systematic Investment Agent: an ensemble of deep learning and evolutionary strategies









Machine learning driven trading strategies have garnered a lot of interest over the past few years. There is, however, limited consensus on the ideal approach for the development of such trading strategies. Further, most literature has focused on trading strategies for short-term trading, with little or no focus on strategies that attempt to build long-term wealth. Our paper proposes a new approach for developing long-term investment strategies using an ensemble of evolutionary algorithms and a deep learning model by taking a series of short-term purchase decisions. Our methodology focuses on building long-term wealth by improving systematic investment planning (SIP) decisions on Exchange Traded Funds (ETF) over a period of time. We provide empirical evidence of superior performance (around 1% higher returns) using our ensemble approach as compared to the traditional daily systematic investment practice on a given ETF. Our results are based on live trading decisions made by our algorithm and executed on the Robinhood trading platform.

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.