Хеджирование стратегий на индекс акций с помощью диверсифицированных алгоритмических стратегий

Сводка

В статье изучается, могут ли стратегии на активах, отличных от акций, диверсифицировать алгоритмические инвестиционные стратегии, связанные с индексом S&P 500. Сравниваются сигналы на основе прогнозов LSTM, прогнозов ARIMA-GARCH, моментума и контртрендовых правил. Среди рассматриваемых активов — энергоносители, драгоценные металлы, криптовалюты и мягкие сырьевые товары. Таким образом, вопрос диверсификации касается сочетания стратегий, торгующих этими активами, а не только объединения отдельных активов.

На данных за период с 2004 по 2022 авторы сообщают, что стратегии на основе LSTM показали лучшие результаты среди рассмотренных подходов, а стратегия на биткоине оказалась лучшим диверсификатором для набора стратегий на индексе S&P 500. Также исследуются часовые сигналы LSTM; их результаты, согласно статье, лучше дневных. Эти эмпирические выводы относятся к изученным активам, периоду и построению стратегий; краткое описание не содержит сведений о транзакционных издержках, корректировке на риск или проверке вне выборки.

Ключевые идеи

• В исследовании оценивается диверсификация между алгоритмическими стратегиями, а не только между отдельными активами.
• Прогнозы LSTM и ARIMA-GARCH сравниваются с сигналами моментума и контртренда.
• Тесты охватывают стратегии на нескольких сырьевых товарах и криптовалютах вместе с набором стратегий на индексе S&P 500.
• Авторы сообщают, что стратегии на биткоине сильнее всего диверсифицировали набор стратегий на индексе S&P 500.
• Согласно исследованию, часовые стратегии LSTM показали лучшие результаты, чем дневные аналоги.

Теги

# 2309.15640


# Hedging Properties of Algorithmic Investment Strategies using Long Short-Term Memory and Time Series models for Equity Indices









This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM - Long Short-Term Memory, ARIMA-GARCH - Autoregressive Integrated Moving Average - Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

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.