LSTM Моментум-сигналы для формирования и торговли портфелем акций
Сводка
NoxTrader использует исторические данные о ценах и объёмах торгов акциями US для создания таких признаков, как доходность, недельная цена и месячный ценовой моментум. Модель LSTM прогнозирует доходность и выявляет устойчивые ценовые тренды, динамически обновляясь во время работы. Прогнозные оценки направляют управление портфелем в собственной системе бэктестинга; в документе указано, что корреляция прогнозов находится в диапазоне от 0.65 до 0.75.
Авторы сообщают, что после фильтрации прогнозных данных доходность первоначальных инвестиций изменилась с -60% до 325%. Они также сравнивают разброс прогнозов с наблюдаемыми рыночными данными. Это приведённые авторами результаты, однако во фрагменте не указаны период тестирования, набор инструментов, издержки, бенчмарк, риск-экспозиция или процедура фильтрации. Поэтому по имеющейся информации независимо оценить заявления о доходности нельзя.
Ключевые идеи
- Система рассчитывает признаки доходности, недельной цены и месячного ценового моментума на основе данных об акциях US.
- Модель LSTM прогнозирует доходность и обновляется во время торговли, чтобы адаптироваться к рыночным трендам.
- Прогнозные оценки используются для управления портфелями в собственной среде бэктестинга.
- В документе сообщается о корреляции прогнозов и значительном улучшении после фильтрации, но не приводятся подробности, необходимые для оценки устойчивости результатов.
Теги
Полный текст
# NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading # NoxTrader: LSTM-Based Stock Return Momentum Prediction for Quantitative Trading We introduce NoxTrader, a sophisticated system designed for portfolio construction and trading execution with the primary objective of achieving profitable outcomes in the stock market, specifically aiming to generate moderate to long-term profits. The underlying learning process of NoxTrader is rooted in the assimilation of valuable insights derived from historical trading data, particularly focusing on time-series analysis due to the nature of the dataset employed. In our approach, we utilize price and volume data of US stock market for feature engineering to generate effective features, including Return Momentum, Week Price Momentum, and Month Price Momentum. We choose the Long Short-Term Memory (LSTM)model to capture continuous price trends and implement dynamic model updates during the trading execution process, enabling the model to continuously adapt to the current market trends. Notably, we have developed a comprehensive trading backtesting system - NoxTrader, which allows us to manage portfolios based on predictive scores and utilize custom evaluation metrics to conduct a thorough assessment of our trading performance. Our rigorous feature engineering and careful selection of prediction targets enable us to generate prediction data with an impressive correlation range between 0.65 and 0.75. Finally, we monitor the dispersion of our prediction data and perform a comparative analysis against actual market data. Through the use of filtering techniques, we improved the initial -60% investment return to 325%.
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.