مواد پر جائیں
لائبریری کی تمام دستاویزات

اسٹاک پورٹ فولیو کی تشکیل اور ٹریڈنگ کے لیے LSTM مومنٹم اشارے

مضمون arXiv papers · مصنف: Hsiang-Hui Liu et al.

خلاصہ

NoxTrader تاریخی US اسٹاک کی قیمت اور حجم کے ڈیٹا سے ریٹرن، ہفتہ وار قیمت اور ماہانہ قیمت کے مومنٹم جیسی خصوصیات بناتا ہے۔ یہ ریٹرن کی پیش گوئی اور برقرار رہنے والے قیمت رجحانات کو گرفت میں لینے کے لیے LSTM ماڈل استعمال کرتا ہے، اور عمل درآمد کے دوران ماڈل کو متحرک طور پر اپ ڈیٹ کرتا ہے۔ پیش گوئی کے اسکور حسبِ ضرورت بیک ٹیسٹنگ نظام میں پورٹ فولیو مینجمنٹ کی رہنمائی کرتے ہیں، اور دستاویز کے مطابق پیش گوئیوں میں 0.65 سے 0.75 تک باہمی تعلق دکھائی دیتا ہے۔

مصنفین کے مطابق پیش گوئی کے ڈیٹا کو فلٹر کرنے سے ابتدائی سرمایہ کاری کا ریٹرن -60% سے بدل کر 325% ہو گیا۔ وہ پیش گوئیوں کے پھیلاؤ کا مشاہدہ شدہ منڈی کے ڈیٹا سے موازنہ بھی کرتے ہیں۔ یہ رپورٹ کردہ نتائج ہیں، لیکن اقتباس میں آزمائش کی مدت، کائنات، اخراجات، تقابلی معیار، خطرے کی نمائش یا فلٹر کرنے کا طریقہ نہیں بتایا گیا۔ لہٰذا دستیاب معلومات سے کارکردگی کے دعووں کا آزادانہ جائزہ نہیں لیا جا سکتا۔

اہم خیالات

  • یہ نظام US اسٹاک ڈیٹا سے ریٹرن، ہفتہ وار قیمت اور ماہانہ قیمت کے مومنٹم کی خصوصیات اخذ کرتا ہے۔
  • LSTM ماڈل ریٹرن کی پیش گوئی کرتا ہے اور منڈی کے رجحانات سے مطابقت کے لیے ٹریڈنگ کے دوران اپ ڈیٹ ہوتا ہے۔
  • حسبِ ضرورت بیک ٹیسٹنگ فریم ورک میں پورٹ فولیوز کے انتظام کے لیے پیش گوئی کے اسکور استعمال ہوتے ہیں۔
  • دستاویز پیش گوئیوں کے باہمی تعلق اور فلٹرنگ کے بعد بڑی بہتری کی اطلاع دیتی ہے، مگر مضبوطی جانچنے کے لیے درکار تفصیلات نہیں دیتی۔

ٹیگز

مکمل متن
# 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%.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔