Перейти к содержимому
Все документы библиотеки

Прогнозирование LSTM с учетом доходности для торговли фондовыми индексами

Статья arXiv papers · Автор: Chariton Chalvatzis et al.
Читать оригинал

Сводка

В документе описана глубокая модель LSTM и торговая стратегия для четырех фондовых индексов US. Вместо торговли только на основании прогноза роста или снижения стратегия использует положение каждого прогнозного значения доходности в распределении прогнозов, чтобы оценить потенциальную прибыльность сделки. Модель настраивается под торговую цель стратегии, что подчеркивает необходимость совместно учитывать качество прогноза и правила торговли.

Представленные тесты охватывают S&P 500, DJIA, NASDAQ и Russell 2000 за период с 2010 по 2018. В документе приводится совокупная доходность по каждому индексу и утверждается, что она превысила результаты стратегии «купи и держи» и других недавних подходов. Здесь не указаны транзакционные издержки, доходность с поправкой на риск, схема проверки или применимость результатов за пределами этого периода. Поэтому приведенную доходность следует считать результатом исследования, а не свидетельством будущей доходности.

Ключевые идеи

  • Результаты модели и торговой стратегии связаны, поэтому проектировать их следует совместно.
  • Модель LSTM прогнозирует цены активов на основе небольшого числа прошлых наблюдений за торговыми днями.
  • Стратегия использует положение прогнозируемой доходности в ее распределении, а не только направление прогноза.
  • В описанной оценке рассматриваются четыре фондовых индекса US за период 2010–2018.

Теги

АкцииМашинное обучениеРынки СШАБэктестинг
Полный текст
# High-performance stock index trading: making effective use of a deep LSTM neural network


# High-performance stock index trading: making effective use of a deep LSTM neural network









We present a deep long short-term memory (LSTM)-based neural network for predicting asset prices, together with a successful trading strategy for generating profits based on the model's predictions. Our work is motivated by the fact that the effectiveness of any prediction model is inherently coupled to the trading strategy it is used with, and vise versa. This highlights the difficulty in developing models and strategies which are jointly optimal, but also points to avenues of investigation which are broader than prevailing approaches. Our LSTM model is structurally simple and generates predictions based on price observations over a modest number of past trading days. The model's architecture is tuned to promote profitability, as opposed to accuracy, under a strategy that does not trade simply based on whether the price is predicted to rise or fall, but rather takes advantage of the distribution of predicted returns, and the fact that a prediction's position within that distribution carries useful information about the expected profitability of a trade. The proposed model and trading strategy were tested on the S&P 500, Dow Jones Industrial Average (DJIA), NASDAQ and Russel 2000 stock indices, and achieved cumulative returns of 340%, 185%, 371% and 360%, respectively, over 2010-2018, far outperforming the benchmark buy-and-hold strategy as well as other recent efforts.

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.