Tín hiệu động lượng LSTM để xây dựng danh mục cổ phiếu và giao dịch
Tóm tắt
NoxTrader sử dụng dữ liệu giá và khối lượng cổ phiếu US trong quá khứ để tạo các đặc trưng như lợi suất, giá theo tuần và động lượng giá theo tháng. Hệ thống áp dụng mô hình LSTM để dự đoán lợi suất và nắm bắt xu hướng giá dai dẳng, đồng thời cập nhật mô hình linh hoạt trong quá trình thực thi. Điểm dự báo định hướng quản lý danh mục trong hệ thống kiểm thử lịch sử tùy chỉnh; tài liệu cho biết các dự đoán có tương quan trong khoảng từ 0.65 đến 0.75.
Các tác giả báo cáo rằng việc lọc dữ liệu dự đoán đã thay đổi lợi suất đầu tư ban đầu từ -60% thành 325%. Họ cũng so sánh độ phân tán của dự đoán với dữ liệu thị trường quan sát được. Đây là các kết quả được báo cáo, nhưng phần trích dẫn không nêu giai đoạn kiểm định, tập hợp tài sản, chi phí, chuẩn đối chiếu, mức độ rủi ro hay quy trình lọc. Vì vậy, không thể đánh giá độc lập các tuyên bố về hiệu suất dựa trên thông tin được cung cấp.
Ý chính
- Hệ thống tạo các đặc trưng lợi suất, giá theo tuần và động lượng giá theo tháng từ dữ liệu cổ phiếu US.
- Mô hình LSTM dự đoán lợi suất và được cập nhật trong lúc giao dịch để thích ứng với xu hướng thị trường.
- Điểm dự báo được dùng để quản lý danh mục trong một khuôn khổ kiểm thử lịch sử tùy chỉnh.
- Tài liệu báo cáo tương quan dự đoán và mức cải thiện lớn sau khi lọc, nhưng thiếu chi tiết cần thiết để đánh giá độ vững chắc.
Thẻ
Toàn văn
# 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%.
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.