論文の概要: Hedging Properties of Algorithmic Investment Strategies using Long
Short-Term Memory and Time Series models for Equity Indices
- arxiv url: http://arxiv.org/abs/2309.15640v1
- Date: Wed, 27 Sep 2023 13:18:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 13:32:10.651395
- Title: Hedging Properties of Algorithmic Investment Strategies using Long
Short-Term Memory and Time Series models for Equity Indices
- Title（参考訳）: 長期短期記憶と時系列モデルを用いたエクイティ指標のアルゴリズム投資戦略のヘッジ特性
- Authors: Jakub Micha\'nk\'ow, Pawe{\l} Sakowski, Robert \'Slepaczuk
- Abstract要約: 本稿では,金融危機に伴うリスク資産のポートフォリオ拡大に対する新たなアプローチを提案する。
我々は、価格予測を生成するために4種類の多様な理論モデルを使用し、単一のAISと複雑なAISの投資信号を生成するのに使用される。
我々の主な結論は、LSTMベースの戦略が他のモデルよりも優れており、S&P 500インデックスのために構築されたAISにとって最良の多様化要因はBitcoinのためのAISであるということだ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: 本稿では、金融市場が金融混乱の影響を受ける場合、リスク資産のポートフォリオをヘッジする新しいアプローチを提案する。
我々は,単一資産のレベルではなく,これらの資産の価格に基づくアンサンブルアルゴリズム投資戦略(ais)のレベルでの多様化活動について,全く新しいアプローチを提案する。
我々は,LSTM-Long Short-Term Memory, ARIMA-GARCHAutoregressive Integrated Average - Generalized Autoregressive Conditional Heteroskedasticity,運動量,コントラストの4種類の多種多様な理論モデルを用いて価格予測を行い,単一および複雑なAISの投資信号を生成する。
このようにして、エクイティ指標(S&P500指数)のために構築されたヘッジアンサンブルAISにおいて、さまざまな資産(エネルギー商品、貴金属、仮想通貨、ソフト商品)からなるさまざまなタイプの投資戦略の多様化の可能性を検証することができる。
本研究で使用した実証データは2004年から2022年までの期間をカバーする。
我々の主な結論は、LSTMベースの戦略が他のモデルよりも優れており、S&P 500インデックスのために構築されたAISにとって最良の多様化要因はBitcoinのためのAISであるということだ。
最後に、LSTMモデルを高頻度(1時間)でテストする。
毎日のデータで得られた結果を上回っていると結論づける。
関連論文リスト
- Composing Ensembles of Instrument-Model Pairs for Optimizing Profitability in Algorithmic Trading [0.0]
本稿では,短期的な物価変動を予測することの難しさに対処するため,金融商品の日価方向予測システムについて述べる。
戦略は幅広い金融商品や時間枠で実証され、ベンチマークよりも20%改善された。
論文 参考訳（メタデータ） (2024-11-06T18:17:26Z) - Hedge Fund Portfolio Construction Using PolyModel Theory and iTransformer [1.4061979259370274]
ヘッジファンドポートフォリオ構築のためのPolyModel理論を実装した。
我々は,長期アルファ,長期比,SVaRなどの定量的尺度を作成する。
また、最新のディープラーニング技術(iTransformer)を使って、上昇傾向を捉えています。
論文 参考訳（メタデータ） (2024-08-06T17:55:58Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - Joint Latent Topic Discovery and Expectation Modeling for Financial
Markets [45.758436505779386]
金融市場分析のための画期的な枠組みを提示する。
このアプローチは、投資家の期待を共同でモデル化し、潜伏する株価関係を自動的に掘り下げる最初の方法だ。
私たちのモデルは年率10%を超えるリターンを継続的に達成します。
論文 参考訳（メタデータ） (2023-06-01T01:36:51Z) - BloombergGPT: A Large Language Model for Finance [42.73350054822628]
我々は、幅広い財務データに基づいて訓練された500億のパラメータ言語モデルであるBloombergGPTを提示する。
Bloombergの広範囲なデータソースに基づいて,汎用データセットから345億のトークンを付加した,363億のトークンデータセットを構築しました。
我々の混合データセットトレーニングは、財務タスクにおける既存のモデルをかなりのマージンで上回るモデルにつながります。
論文 参考訳（メタデータ） (2023-03-30T17:30:36Z) - High-Dimensional Stock Portfolio Trading with Deep Reinforcement
Learning [0.0]
このアルゴリズムは任意のサイズの断面データセットから高次元のポートフォリオを交換することができる。
我々は、各環境の資産を1つ集めて環境を順次設定し、その結果の資産の返却と現金の保留に報いるとともに、資産の集合の返却平均に報いる。
論文 参考訳（メタデータ） (2021-12-09T08:30:45Z) - Stock Portfolio Optimization Using a Deep Learning LSTM Model [1.1470070927586016]
本研究は、2016年1月1日から2020年12月31日まで、インド株式市場の9つの異なるセクターからトップ5の株価を時系列的に分析してきた。
最適ポートフォリオはこれらのセクター毎に構築されます。
各ポートフォリオの予測と実際のリターンは高く,LSTMモデルの高精度性を示している。
論文 参考訳（メタデータ） (2021-11-08T18:41:49Z) - Deep Sequence Modeling: Development and Applications in Asset Pricing [35.027865343844766]
我々は資産のリターンを予測し、人工知能の卓越した技術であるディープシークエンス・モデリングを用いてリスク・プレミアを測定する。
資産の返却は、しばしば従来の時系列モデルでは効果的に捉えられないシーケンシャルな依存を示すため、シーケンスモデリングはデータ駆動アプローチと優れたパフォーマンスで有望な経路を提供する。
論文 参考訳（メタデータ） (2021-08-20T04:40:55Z) - Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction
with Representation Learning and Temporal Convolutional Network [71.25144476293507]
我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。
表現学習によって、私たちはStock2Vecという埋め込みを導きました。
我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-09-29T22:54:30Z) - Deep Learning for Portfolio Optimization [5.833272638548154]
個々の資産を選択する代わりに、ポートフォリオを形成するために市場指標のETF(Exchange-Traded Funds)を交換します。
我々は,本手法を広範囲のアルゴリズムと比較し,本モデルがテスト期間中に最高の性能を得ることを示す。
論文 参考訳（メタデータ） (2020-05-27T21:28:43Z) - Reinforcement-Learning based Portfolio Management with Augmented Asset
Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。
本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。
当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文 参考訳（メタデータ） (2020-02-09T08:10:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。