Tổ hợp học máy và chiến lược giao dịch để dự báo quyền chọn cổ phiếu

Tóm tắt

Bài viết mô tả nghiên cứu tiếp nối về dự báo xu hướng quyền chọn cổ phiếu bằng học máy và ứng dụng các dự báo đó vào giao dịch. Bài xem xét mạng nơ-ron hồi tiếp và mạng bộ nhớ dài-ngắn hạn, sau đó đánh giá việc kết hợp nhiều mô hình để xác định liệu dự đoán của chúng có hỗ trợ quyết định tốt hơn hay không. Nghiên cứu cũng áp dụng Phương pháp gần thuận nghịch, được phần tóm tắt xác định là một phần của cách tiếp cận dự báo.

Về phần giao dịch, bài viết trình bày hai chiến lược và kết quả đầu tư mô phỏng. Bài dùng mô hình định giá tài sản nhị thức ngẫu nhiên thời gian rời rạc và phòng hộ danh mục để ước tính kết quả đầu tư. Phần tóm tắt cho biết phân tích dựa trên dữ liệu lịch sử nhưng không cung cấp chi tiết về bộ dữ liệu, thiết kế đánh giá, kết quả cụ thể hay việc mô phỏng có tính đến chi phí giao dịch và điều kiện thị trường thay đổi hay không. Vì vậy, các khẳng định mô tả phương pháp nghiên cứu và mô phỏng, chứ không phải bằng chứng về hiệu quả giao dịch thực.

Ý chính

• Nghiên cứu áp dụng mạng nơ-ron hồi tiếp và mạng bộ nhớ dài-ngắn hạn để dự báo xu hướng quyền chọn cổ phiếu.
• Nghiên cứu đánh giá việc kết hợp nhiều mô hình học máy để hỗ trợ dự báo và ra quyết định.
• Phương pháp gần thuận nghịch được đưa vào nghiên cứu dự báo.
• Hai chiến lược giao dịch được đánh giá qua kết quả đầu tư mô phỏng.
• Mô hình định giá nhị thức thời gian rời rạc và phòng hộ danh mục hỗ trợ phân tích đầu tư.

Thẻ

# 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.

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.