Phòng hộ chiến lược chỉ số cổ phiếu bằng chiến lược thuật toán đa dạng

Tóm tắt

Bài viết nghiên cứu liệu các chiến lược dựa trên tài sản phi cổ phiếu có thể đa dạng hóa chiến lược đầu tư thuật toán gắn với S&P 500 hay không. Bài so sánh tín hiệu tạo từ dự báo LSTM, dự báo ARIMA-GARCH, động lượng và quy tắc giao dịch ngược xu hướng. Các tài sản được xem xét gồm hàng hóa năng lượng, kim loại quý, tiền mã hóa và nông sản mềm. Cách tiếp cận này chuyển câu hỏi đa dạng hóa từ việc kết hợp từng tài sản sang kết hợp các chiến lược giao dịch những tài sản đó.

Dùng dữ liệu từ 2004 đến 2022, nghiên cứu cho biết các chiến lược dựa trên LSTM hoạt động tốt hơn những cách tiếp cận khác và chiến lược dựa trên Bitcoin là yếu tố đa dạng hóa mạnh nhất cho nhóm chiến lược S&P 500. Nghiên cứu cũng xem xét tín hiệu LSTM theo giờ và báo cáo kết quả tốt hơn dữ liệu ngày. Các phát hiện này là thực nghiệm và chỉ áp dụng cho tài sản, giai đoạn và cách xây dựng chiến lược đã khảo sát; phần tóm tắt không nêu chi tiết về chi phí giao dịch, điều chỉnh rủi ro hay xác thực ngoài mẫu.

Ý chính

• Nghiên cứu đánh giá đa dạng hóa giữa các chiến lược thuật toán thay vì chỉ giữa từng tài sản.
• Nghiên cứu so sánh dự báo LSTM và ARIMA-GARCH với tín hiệu động lượng và ngược xu hướng.
• Các thử nghiệm bao gồm một số chiến lược hàng hóa và tiền mã hóa cùng nhóm chiến lược S&P 500.
• Các tác giả cho biết chiến lược dựa trên Bitcoin đa dạng hóa tốt nhất cho nhóm chiến lược S&P 500.
• Trong nghiên cứu, chiến lược LSTM theo giờ được báo cáo là hoạt động tốt hơn chiến lược theo ngày.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.