En este artículo, vamos a utilizar un algoritmo avanzado para mejorar un módulo de la estrategia de inversión alternativa impulsada por datos (ADDI), una estrategia de inversión automática de múltiples espacios, que tiene como objetivo obtener resultados estables, independientes del mercado y con un riesgo de retroceso limitado.
El algoritmo que hemos desarrollado es una red neuronal profunda personalizada que reduce los riesgos asociados con las estrategias multiespaciales.
En cuanto aLos inversores cuantificadosPero una de las etapas más importantes e interesantes está por venir, donde se abren innumerables posibilidades: ¿cómo vamos a convertir estos datos en señales?
Podemos elegir los métodos estadísticos tradicionales para examinar detenidamente nuestras hipótesis, o explorar el campo de los algoritmos avanzados, como el aprendizaje automático y el aprendizaje profundo. Tal vez el fascinación por varias teorías macroeconómicas te haga querer estudiar su aplicabilidad en el mercado de divisas (FX). O tal vez, el entusiasmo por entender FMZ puede guiarte hacia el camino de la inversión cuantitativa.
En nuestro caso, solo hay un principio que guía la elección de la dirección de investigación:¿Cómo se puede innovar? 。
Cuando alguien piensa en la idea de la catedral como un montón de piedras, ya no es un montón de piedras.
El principio básico detrás de esto es muy simple: si no innovamos, no nos destacamos y las oportunidades de éxito disminuyen. Por lo tanto, ya sea que estemos desarrollando una nueva estrategia que se base en estadísticas tradicionales o que involucre extraer información de los estados financieros de la empresa, siempre tratamos de lograrlo con métodos novedosos. Creamos pruebas específicas para escenarios específicos, detectamos anomalías en los estados financieros o ajustamos nuestro modelo en función de problemas específicos.
Por lo tanto, debido a la adaptabilidad y flexibilidad de las redes neuronales, son particularmente 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 ser cautelosos, ya que no hay fórmulas mágicas aquí. Como con cualquier esfuerzo, siempre debemos comenzar desde la base, y a veces, una simple regresión lineal puede resultar muy efectiva.
Volviendo a lo más importante de hoy, vamos a aprovechar las potentes capacidades de las redes neuronales profundas para predecir el riesgo utilizando como entrada los datos de los estados financieros y los precios históricos.
Dicho esto, evaluaremos el rendimiento del modelo mediante una comparación con métodos más sencillos, como la tasa de fluctuación histórica.
Antes de profundizar, supongamos que ya estamos familiarizados con algunos de los conceptos clave de las redes neuronales y cómo podemos usarlos para deducir la distribución de los resultados de predicción.
Además, para el propósito de hoy, nos centraremos únicamente en las mejoras que se han hecho en nuestra referencia y en los resultados obtenidos después de usarla en nuestra estrategia de inversión.
Por lo tanto, en el siguiente artículo sobre la medición de la incertidumbre de los datos de la secuencia de tiempo, vamos a tratar de estimar el riesgo de la empresa mediante la predicción de la fracción de los retornos de precios esperados en diferentes plazos futuros, en nuestro ejemplo, el rango de tiempo es de 5 a 90 días.
A continuación, se muestra un ejemplo de cómo se muestran las predicciones de los parámetros (en azul) en diferentes períodos de tiempo futuros después de haber entrenado el modelo.
Como se mencionó anteriormente, antes de usar nuestro modelo en nuestra estrategia, comparamos sus predicciones con las obtenidas utilizando una simple conversión de la volatilidad pasada. ¿Es mejor una simple conversión de la volatilidad pasada que un algoritmo complejo?
Para evaluar nuestro modelo y referencia, comparamos sus predicciones de porcentaje con las ganancias observadas. Por ejemplo, en todas nuestras predicciones de porcentaje 0.9, esperamos una probabilidad de 90% en promedio de que el precio regrese por debajo de la predicción de porcentaje.
Esto es lo que intentamos evaluar en el siguiente gráfico (todos los resultados que se muestran provienen de conjuntos de pruebas). En el gráfico de la izquierda, podemos comparar la cobertura teórica con la cobertura real. En el gráfico de la derecha, vemos las diferencias entre estas coberturas (la cobertura teórica - la cobertura real), que llamamosEl error de coberturaPor ejemplo, para el decimal 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.
Hemos hecho un promedio de todos los errores de cobertura de los puntos por ventana de proyección (5, 10... días) y comparamos los resultados obtenidos con las pruebas de referencia y el modelo de IA.Nuestro modelo de aprendizaje profundo funciona mejor.En el caso de los países en vías de desarrollo, la tasa de cobertura es muy baja (el error de cobertura promedio es menor), y estamos listos para incorporar nuestro modelo en nuestra estrategia.
ADDI es una cartera de inversiones de apalancamiento beta-neutral (beta de ~ 0.1), capaz de generar alfa en los mercados bajista y bajista, con un margen de entrada limitado y bajo riesgo.
La mayoría de las partes de la estrategia optan por proyectos de alta calidad y con poca variación de volatilidad. Por lo tanto, la evaluación del riesgo de los inventarios es una tarea importante en el proceso. En el aire libre, la evaluación del riesgo también es un cálculo importante, ya que la estrategia trata de evitar proyectos de alto riesgo o de bajo riesgo.
Podemos medir el riesgo mediante la variación histórica de los diferentes ciclos de cálculo en las partes de la estrategia de múltiples y vacías cabezas.
Para mejorar el análisis de riesgos de ADDI, vamos a probar algoritmos de redes neuronales profundas que se mostraron anteriormente para reemplazar el proceso actual de cálculo de riesgos.
La prueba del nuevo modelo de aprendizaje profundo en la estrategia de cabeza vacía de multi-cabezas invertidas en el componente del S&P 900 mostró que los resultados en términos de rendimiento y riesgo han mejorado:
En este artículo, mostramos un ejemplo de un modelo de algoritmo avanzado que se utiliza para mejorar las estrategias de cuantificación de transacciones multiespaciales (ADDI); mostramos cómo utilizar las redes neuronales para mejorar y administrar con mayor precisión tareas específicas en productos de inversión cuantificados, mejorando así los resultados finales.
Sin embargo, la aplicabilidad del modelo va más allá de esto, y podemos usar el algoritmo para una variedad de otras estrategias. Por ejemplo, podemos usarlo para seleccionar las empresas con la mayor tasa de Sharpe, o incluso para implementar estrategias de negociación de emparejamiento. ¿Puedes pensar en otras estrategias?
Enlace al texto original:https://quantdare.com/ai-case-study-long-short-strategy/