KI-Fallstudien: Mehrköpfige Strategie

In diesem Artikel werden wir einen Modul der Alternative Data-Driven Investment (ADDI) -Strategie mit einem hochentwickelten Algorithmus verbessern, eine automatische Multilateral-Investitionsstrategie, die darauf abzielt, ein stabiles Ergebnis zu erzielen, das sich vom Markt löst und das Rückgriffsrisiko begrenzt ist.

Die Algorithmen, die wir entwickelt haben, sind ein kundenspezifisches tiefes Neural-Netzwerk, mit dem wir die Risiken, die mit dem Multi-Space-Strategien verbunden sind, reduzieren.

Warum nutzen wir Neuralogies?

Hintergrund

FürQuantifizieren von InvestorenDie Einnahme von Daten markiert den Mittelpunkt ihrer Investitionsreise. Aber eine der wichtigsten und interessantesten Phasen liegt vor uns, in der sich unzählige Möglichkeiten eröffnen: Wie werden wir diese Daten in Signale umwandeln?

Wir können die traditionellen statistischen Methoden wählen, um unsere Hypothesen genau zu prüfen, und wir können auch die Bereiche der hochentwickelten Algorithmen wie maschinelles Lernen und tiefes Lernen erforschen. Vielleicht lässt dich die Faszination für mehrere makroökonomische Theorien dazu bringen, ihre Anwendbarkeit auf dem FX-Markt zu untersuchen. Oder vielleicht führt dich die Begeisterung für das Verständnis von FMZ auf den Weg zu einem quantitativen Investment. Jeder dieser Forschungswege ist nicht nur wirksam, sondern auch wertvoll zu erforschen.

ETS-Methode

In unserem Fall gibt es nur einen Leitgedanken bei der Auswahl der Forschungsrichtung:Die Mut zur Innovation 。

Wenn man mit der Idee der Kathedrale an einen Haufen Steine denkt, dann ist er kein Haufen mehr.

Die Grundprinzipien dahinter sind sehr einfach: Wenn wir nicht innovativ sind, werden wir nicht hervorstechen, und unsere Chancen auf Erfolg werden verringert. Deshalb versuchen wir immer, neue Strategien zu entwickeln, ob es sich um traditionelle Statistiken handelt oder um Einblicke in die Finanzausweise von Unternehmen. Wir erstellen spezifische Tests für bestimmte Szenarien, um Ausnahmen in den Finanzausweisen zu erkennen oder unsere Modelle anhand von spezifischen Problemen anzupassen.

Daher sind sie aufgrund ihrer Anpassungsfähigkeit und Flexibilität besonders attraktiv, wenn es darum geht, spezifische Probleme zu lösen, was uns hilft, innovative Technologien zu entwickeln.

Wie wir gesehen haben, gibt es viele Möglichkeiten, wie man diese Techniken einsetzen kann. Wir müssen jedoch vorsichtig sein, da es hier keine magischen Formeln gibt. Wie bei jedem Bemühen sollten wir immer von Grund auf anfangen, und manchmal können einfache lineare Regressionen sehr effektiv sein.

Zurück zum heutigen Schwerpunkt werden wir die starke Funktionalität der tiefen Neuronen nutzen, um Risiken mit Daten aus Finanzberichten und historischen Preisen als Input zu prognostizieren.

Unser Modell

Das heißt, wir bewerten die Leistung des Modells, indem wir ihn mit einfachen Methoden wie historischen Schwankungsraten vergleichen.

Bevor wir weitermachen, nehmen wir an, dass wir mit einigen der wichtigsten Konzepte von Neuronalen Netzwerken vertraut sind und wie wir sie verwenden können, um eine Verteilung der Prognosenausgänge abzuleiten.

Außerdem werden wir uns für den heutigen Zweck nur auf die Verbesserung unserer Benchmarks und die Ergebnisse konzentrieren, die wir erzielen, wenn wir sie in unsere Investitionsstrategie einbringen.

Daher werden wir in den folgenden Artikeln über die Messung der Unsicherheit von Zeitreihen-Daten versuchen, das Risiko einer Firma zu schätzen, indem wir die erwarteten Preisrenditen in verschiedenen Zeiträumen in der Zukunft prognostizieren, in unserem Beispiel zwischen 5 und 90 Tagen.

Im Folgenden ist ein Beispiel zu sehen, wie eine Prognose der Diversifikationen (blau) für verschiedene Zeiträume in der Zukunft erscheinen wird, nachdem das Modell trainiert wurde. Je größer die Diversifikationsintervalle der Prognose sind, desto höher ist unser Investitionsrisiko.

Bewertet unser Modell

Wie oben erwähnt, vergleichen wir ihre Vorhersagen mit denen, die mit einer einfachen Umwandlung der historischen Volatilitäten erzielt wurden, bevor wir unser Modell in unserer Strategie verwenden. Ist eine einfache Umwandlung der historischen Volatilität besser als ein komplexer Algorithmus?

Um unsere Modelle und Benchmarks zu bewerten, verglichen wir ihre Quotient-Vorhersagen mit den beobachteten Erträgen. Zum Beispiel erwarten wir, dass bei all unseren Vorhersagen mit dem Quotient 0.9 eine durchschnittliche Wahrscheinlichkeit von 90% liegt, dass die Preisrendite niedriger ist als die von diesem Quotient-Vorhersage.

Das ist es, was wir in der folgenden Abbildung zu bewerten versuchen (alle Ergebnisse sind aus Testsätzen). In der linken Abbildung können wir theoretische und tatsächliche Abdeckungen vergleichen. In der rechten Abbildung sehen wir die Unterschiede zwischen diesen Abdeckungen (theoretische Abdeckung - tatsächliche Abdeckung), die wir alsFehler bei der AbdeckungFür die Teilzahlen 0.2, zum Beispiel, liegt der Abdeckungsfehler bei nahezu 0.4%, was bedeutet, dass wir im Durchschnitt 20,4% der Daten beobachten, die unter diesen Werten liegen, anstatt die theoretischen 20%.

Wir haben den Durchschnittswert für die Abdeckungsfehler aller Dizifferanten in einem Projektionsfenster (5, 10... Tage) ermittelt und die Ergebnisse der Benchmarking-Tests mit den Ergebnissen des KI-Modells verglichen.Unsere Deep-Learning-Modelle sind besser.Wir sind bereit, unser Modell in unsere Strategie einzubeziehen.

Künstliche Intelligenz in ADDI

ADDI ist ein beta-neutrales Hebelportfolio (Beta-Wert ~ 0.1), das in Fall- und Aufwärtstrends Alpha erzeugen kann, eine begrenzte Nettoöffnung für den Markt und eine niedrigere Risikolage.

Der Mehrfachteil der Strategie wählt hochwertige und mit geringer Volatilitätsdifferenz. Daher ist die Risikobewertung von Inventar eine wichtige Aufgabe in diesem Prozess. In der Luft ist die Risikobewertung auch eine wichtige Berechnung, da die Strategie versucht, Projekte mit extrem hohem oder extrem geringem Risiko zu vermeiden.

Wir können das Risiko messen, indem wir die historischen Schwankungen in den verschiedenen Berechnungszyklen in den mehr- und leeren Teilen der Strategie messen.

Um die ADDI-Risikoanalyse zu verbessern, werden wir die zuvor gezeigten Deep Neural Network-Algorithmen testen, um die aktuelle Risikoberechnung zu ersetzen.

Das Ergebnis

Das neue Deep-Learning-Modell, das auf die Multi-Headed-Blank-Head-Strategie getestet wurde, die in den Standard 900-Komponenten investiert wurde, zeigt eine Verbesserung der Ergebnisse sowohl in Bezug auf die Leistung als auch auf das Risiko:

• Die Gesamtrendite ist höher als in der Originalversion
• Verringerte Volatilität
• Die Sharp-Rate steigt
• Risiken bei Rückzug und VaR reduziert
• Die höchste jährliche Steigerung ist die höchste Steigerung.

Schlussfolgerung

In diesem Artikel zeigen wir ein Beispiel für ein hochentwickeltes Algorithmusmodell, das zur Verbesserung von ADDI-Strategien verwendet wird. Wir zeigen, wie man Neuralnetze nutzt, um bestimmte Aufgaben in quantitativen Anlageprodukten zu verbessern und genauer zu verwalten, um die Endergebnisse zu verbessern.

Aber die Anwendbarkeit des Modells geht darüber hinaus. Wir können den Algorithmus für eine Vielzahl anderer Strategien verwenden. Zum Beispiel können wir ihn verwenden, um die Unternehmen mit den höchsten Sharpe-Raten auszuwählen oder sogar um eine Pairing-Trading-Strategie zu implementieren.

Der Link zum Original:https://quantdare.com/ai-case-study-long-short-strategy/