Dùng học sâu dự báo xu hướng thị trường vượt khỏi động lượng quá khứ

Tóm tắt

Bài báo lập luận rằng chiến lược theo xu hướng và động lượng thông thường dựa vào diễn biến giá trong quá khứ, nên có thể bị hạn chế khi điều kiện thị trường thay đổi. Bài báo đề xuất dùng trí tuệ nhân tạo và kỹ thuật học máy để dự đoán xu hướng thị trường tương lai, nhằm hỗ trợ các quyết định quản lý tài sản.

Các tác giả cho rằng dự báo chính xác có thể giúp tăng lợi nhuận và giảm mức sụt giảm, nhưng văn bản được cung cấp không mô tả mô hình cụ thể, dữ liệu đầu vào, thiết kế đánh giá hay kết quả đo lường. Vì vậy, trong phần trích dẫn này, các lợi ích được nêu nên được hiểu là động lực nghiên cứu chứ không phải bằng chứng đã được chứng minh. Bài báo đưa ra lý do tổng quát cho các mô hình dự báo xu hướng, nhưng chưa đủ chi tiết để đánh giá độ vững chắc, cách triển khai hay hiệu suất so với các chiến lược đã có.

Ý chính

• Bài báo cho rằng chiến lược theo xu hướng và động lượng dựa trên lịch sử bị hạn chế bởi sự phụ thuộc vào diễn biến thị trường quá khứ.
• Bài báo đề xuất phương pháp học máy để dự báo xu hướng thị trường tương lai.
• Các dự báo được đề xuất nhằm hỗ trợ quyết định quản lý tài sản.
• Phần trích dẫn không cung cấp chi tiết mô hình hay bằng chứng thực nghiệm cho lợi ích được nêu về lợi nhuận và mức sụt giảm.

Thẻ

# Beyond Trend Following: Deep Learning for Market Trend Prediction


# Beyond Trend Following: Deep Learning for Market Trend Prediction









Trend following and momentum investing are common strategies employed by asset managers. Even though they can be helpful in the proper situations, they are limited in the sense that they work just by looking at past, as if we were driving with our focus on the rearview mirror. In this paper, we advocate for the use of Artificial Intelligence and Machine Learning techniques to predict future market trends. These predictions, when done properly, can improve the performance of asset managers by increasing returns and reducing drawdowns.

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.