Ансамбли машинного обучения и стратегии для прогнозирования опционов на акции

Сводка

В статье описано продолжение исследования прогнозирования динамики опционов на акции с помощью машинного обучения и применения прогнозов в торговле. Рассматриваются рекуррентные нейронные сети и сети с долгой краткосрочной памятью, а затем оценивается объединение нескольких моделей, чтобы выяснить, могут ли их прогнозы улучшить принятие решений. В работе также применяется метод квазиреверсивности, указанный в аннотации как часть подхода к прогнозированию.

Для торговой части статьи представлены две стратегии и результаты симуляции инвестиций. Для оценки результатов инвестиций используется дискретная во времени стохастическая биномиальная модель ценообразования активов и хеджирование портфеля. В аннотации говорится, что анализ основан на исторических данных, но не приводятся сведения о наборе данных, дизайне оценки, конкретных результатах или учёте транзакционных издержек и меняющихся рыночных условий в симуляциях. Таким образом, описаны исследовательский подход и симуляция, а не свидетельства результатов реальной торговли.

Ключевые идеи

• В исследовании для прогнозирования динамики опционов на акции применяются рекуррентные нейронные сети и сети с долгой краткосрочной памятью.
• Оценивается, помогает ли объединение нескольких моделей машинного обучения прогнозировать и принимать решения.
• В исследовании прогнозирования используется метод квазиреверсивности.
• Две торговые стратегии оцениваются с помощью симуляции инвестиций.
• В анализе инвестиций применяются дискретная во времени биномиальная модель ценообразования и хеджирование портфеля.

Теги

# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies


# Optimizing Stock Option Forecasting with the Assembly of Machine Learning Models and Improved Trading Strategies









This paper introduced key aspects of applying Machine Learning (ML) models, improved trading strategies, and the Quasi-Reversibility Method (QRM) to optimize stock option forecasting and trading results. It presented the findings of the follow-up project of the research "Application of Convolutional Neural Networks with Quasi-Reversibility Method Results for Option Forecasting". First, the project included an application of Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) networks to provide a novel way of predicting stock option trends. Additionally, it examined the dependence of the ML models by evaluating the experimental method of combining multiple ML models to improve prediction results and decision-making. Lastly, two improved trading strategies and simulated investing results were presented. The Binomial Asset Pricing Model with discrete time stochastic process analysis and portfolio hedging was applied and suggested an optimized investment expectation. These results can be utilized in real-life trading strategies to optimize stock option investment results based on historical 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.