En este artículo, vamos a utilizar un algoritmo avanzado para mejorar un módulo de estrategia de inversión alternativa impulsada por datos (ADDI), una estrategia de inversión automática en varios espacios que busca obtener resultados estables fuera de la línea del mercado y con un riesgo de retiro limitado.

El algoritmo que hemos desarrollado es una red neuronal de profundidad personalizada que se utiliza para reducir los riesgos asociados con las estrategias de espacio múltiple.

¿Por qué usar las redes neuronales?

El pasado

Para elLos inversores cuantitativosPero una de las etapas más importantes e interesantes está a la vista, con un sinnúmero de posibilidades abiertas: ¿cómo vamos a convertir estos datos en señales?

Podemos elegir métodos estadísticos tradicionales para examinar cuidadosamente nuestras hipótesis, o explorar áreas de algoritmos avanzados como el aprendizaje automático y el aprendizaje profundo. Tal vez la obsesión con varias teorías macroeconómicas te haga querer estudiar su aplicabilidad en el mercado de divisas (FX). O, tal vez la pasión por entender las FMZ puede guiarte por el camino de la inversión cuantitativa. Cada una de estas vías de investigación no solo es efectiva, sino que vale la pena explorar.

Método del ETS

En nuestro caso, solo hay un principio que nos guía a la hora de elegir el camino a seguir:Atrévete a innovar 。

Cuando uno piensa en un montón de piedras con la idea de una catedral, ya no es un montón de piedras.

El principio básico detrás de esto es muy simple: si no innovamos, no sobresaliremos y las posibilidades de éxito disminuirán. Por lo tanto, ya sea que estemos desarrollando una nueva estrategia, ya sea que dependamos de estadísticas tradicionales o que involucremos la extracción de ideas de los estados financieros de la compañía, siempre intentamos hacerlo con métodos innovadores. Creamos pruebas específicas para un escenario específico, detectamos anomalías en los estados financieros o ajustamos nuestros modelos según problemas específicos.

Por lo tanto, debido a la adaptabilidad y flexibilidad de las redes neuronales, son especialmente atractivas para resolver problemas específicos, lo que nos ayuda a desarrollar tecnologías innovadoras.

Como hemos visto, hay muchas maneras de usar estas técnicas. Sin embargo, debemos actuar con cautela, porque no hay fórmulas mágicas aquí. Como en cualquier esfuerzo, siempre debemos comenzar desde las bases, y a veces, una simple regresión lineal puede resultar muy eficaz.

Volviendo al tema de hoy, aprovecharemos el poder de las redes neurales profundas para predecir el riesgo utilizando como entrada los datos de los informes financieros y los precios históricos.

Nuestro modelo

Dicho esto, evaluaremos el rendimiento del modelo comparándolo con métodos más sencillos como la fluctuación histórica.

Antes de profundizar, supongamos que estamos familiarizados con algunos de los conceptos clave de las redes neuronales y cómo podemos usarlos para derivar una distribución de la salida de predicción.

Además, para el propósito de hoy, solo nos centraremos en las mejoras que se han logrado con respecto a nuestros índices de referencia y en los resultados obtenidos después de aplicarlos a la estrategia de inversión.

Por lo tanto, en el siguiente artículo sobre la medición de la incertidumbre de los datos de la serie de tiempo, intentaremos estimar el riesgo de la empresa mediante la predicción de los dígitos de la expectativa de retorno de los precios en diferentes períodos de tiempo futuros, en nuestro ejemplo, el rango de tiempo es de 5 días a 90 días.

A continuación, se muestra un ejemplo de cómo aparecerán las predicciones de fracciones en diferentes rangos de tiempo en el futuro después del entrenamiento del modelo (en azul). Mientras más espaciadas estén las fracciones de las predicciones, mayor será el riesgo de nuestra inversión. El color púrpura es lo que realmente ocurre después de hacer las predicciones.

Evaluar nuestro modelo

Como se mencionó anteriormente, antes de usar nuestro modelo en nuestra estrategia, comparamos sus predicciones con las obtenidas con una simple conversión de las tasas de fluctuación pasadas. ¿Es mejor una simple conversión de las tasas de fluctuación pasadas que un algoritmo complejo?

Para evaluar nuestros modelos y referencias, comparamos sus pronósticos fraccionarios con los retornos observados. Por ejemplo, en todos nuestros pronósticos sobre el fracción 0.9, esperamos que, en promedio, la probabilidad de que los retornos de precios sean inferiores a los pronósticos fraccionarios sea del 90%.

Esto es lo que tratamos de evaluar en la siguiente gráfica (todos los resultados que se muestran provienen de la prueba). En la gráfica de la izquierda podemos comparar la cobertura teórica y la cobertura real. En la gráfica de la derecha vemos la diferencia entre estas coberturas (la cobertura teórica - la cobertura real), que llamamosErrores en la coberturaPor ejemplo, para una fracción de 0.2, el error de cobertura es cercano al 0.4%, lo que significa que en promedio observamos un 20.4% de datos por debajo de estos valores, en lugar del 20% teórico.

Se promedió el error de cobertura de todos los dígitos en la ventana de proyección (5, 10 … días) y se compararon los resultados obtenidos en las pruebas de referencia y en los modelos de IA.Nuestro modelo de aprendizaje profundo es mejor.(El error promedio de cobertura es menor) y estamos listos para introducir nuestro modelo en nuestra estrategia.

Inteligencia artificial en el ADDI

El ADDI es una cartera de inversión con un nivel de leverage beta neutral (beta ~0.1), capaz de generar alfa en mercados bajistas y optimistas, con una entrada neta limitada en el mercado y bajo riesgo.

En la parte multihead de la estrategia se elige la de alta calidad y con menor desviación de volatilidad. Por lo tanto, la evaluación del riesgo de inventario es una tarea importante en el proceso. En la cabecera, la evaluación del riesgo también es un cálculo importante, ya que la estrategia trata de evitar proyectos de riesgo muy alto o muy bajo.

Podemos medir el riesgo a través de la fluctuación histórica de los diferentes períodos de cálculo en la parte de la estrategia de los más altos y bajos.

Para mejorar el análisis de riesgos de ADDI, probamos los algoritmos de redes neuronales de profundidad mostrados anteriormente para reemplazar el proceso actual de cálculo de riesgos.

Resultados

Al probar un nuevo modelo de aprendizaje profundo en una estrategia de cabeza vacía y cabeza múltiple invertida en un componente del índice S&P 900, se pueden ver mejores resultados tanto en términos de rendimiento como de riesgo:

• Las cifras que muestran la rentabilidad total son más altas que la versión original
• Reducción de la volatilidad
• Aumento de la tasa de Sharpe
• Reducción de riesgos en el retiro y el VaR
• El crecimiento de la rotación es más alto en un año.

en conclusión

En este artículo, mostramos un ejemplo de un modelo de algoritmo avanzado que se utiliza para mejorar la estrategia de cuantificación de operaciones en el espacio múltiple (ADDI). En este artículo, mostramos cómo se puede utilizar una red neuronal para mejorar y administrar con mayor precisión tareas específicas en un producto de inversión cuantificado, con el fin de mejorar los resultados finales.

Pero la utilidad de este modelo va más allá, podemos usar el algoritmo en otras estrategias. Por ejemplo, podemos usarlo para seleccionar las compañías con la mayor proporción de Sharpe o incluso para implementar estrategias de negociación de pares. ¿Puedes pensar en otras estrategias?

La estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia de la estrategia