Une étude de cas sur l'IA: la stratégie des têtes vides multiples

Dans cet article, nous allons utiliser un algorithme avancé pour améliorer un module de la stratégie d'investissement alternative basé sur les données (ADDI), une stratégie d'investissement automatique multi-espace visant à obtenir des résultats stables détachés du marché avec un risque de rétractation limité.

L'algorithme que nous avons développé est un réseau de neurones profonds personnalisé qui réduit les risques associés aux stratégies de multi-espace.

Pourquoi utiliser des réseaux neuronaux?

Résumé

PourLes investisseurs quantifiésL'acquisition de données marque le centre de leur parcours d'investissement. Mais l'une des étapes les plus importantes et les plus intéressantes est à venir, avec d'innombrables possibilités: comment allons-nous transformer ces données en signaux?

Nous pouvons choisir des méthodes statistiques traditionnelles pour examiner attentivement nos hypothèses, ou explorer des domaines d'algorithmes avancés tels que l'apprentissage automatique et l'apprentissage profond. Peut-être que l'obsession pour plusieurs théories macroéconomiques vous a poussé à étudier leur applicabilité sur le marché des changes (FX). Ou peut-être que la passion pour la compréhension de FMZ pourrait vous conduire sur la voie de l'investissement quantitatif. Chacune de ces voies de recherche est non seulement efficace, mais mérite d'être explorée.

Les méthodes de l'ETS

Dans notre cas, il n'y a qu'un seul principe directeur pour choisir une direction de recherche:Le courage d'innover 。

Quand on pense à une cathédrale comme à un tas de pierres, elle n'est plus un tas de pierres.

Le principe de base derrière cela est très simple: si nous ne faisons pas de l'innovation, nous ne nous distinguons pas et nos chances de réussite sont réduites. Ainsi, que nous élaborions une nouvelle stratégie en nous basant sur des statistiques traditionnelles ou en tirant des informations des déclarations financières d'une entreprise, nous essayons toujours de la réaliser par des méthodes novatrices. Nous créons des tests spécifiques pour des scénarios spécifiques, détectons des anomalies dans les déclarations financières ou ajustons notre modèle en fonction de problèmes spécifiques.

Les réseaux neuraux sont donc particulièrement attrayants pour résoudre des problèmes spécifiques en raison de leur adaptabilité et de leur flexibilité, ce qui nous aide à développer des technologies innovantes.

Comme nous l'avons vu, il existe de nombreuses façons d'utiliser ces techniques. Cependant, nous devons être prudents, car il n'y a pas de formule magique ici. Comme pour tout effort, nous devrions toujours commencer par les bases, et parfois, une simple régression linéaire peut s'avérer très efficace.

Pour revenir à l'essentiel d'aujourd'hui, nous allons tirer parti des puissantes fonctionnalités des réseaux neuronaux profonds, en utilisant les données des déclarations financières et des prix historiques comme entrée pour prédire les risques.

Notre modèle

Cela dit, nous évaluerons la performance des modèles en les comparant à des méthodes plus simples telles que les taux de fluctuation historique.

Avant d'aller plus loin, supposons que nous connaissions déjà certains des concepts clés des réseaux neuronaux et comment nous pouvons les utiliser pour déduire la distribution des sorties de prédiction.

De plus, pour l'objectif d'aujourd'hui, nous nous concentrerons uniquement sur les améliorations apportées à nos benchmarks et les résultats obtenus après les avoir utilisés dans nos stratégies d'investissement.

Par conséquent, dans les articles suivants sur la mesure de l'incertitude des données de séquences chronologiques, nous allons essayer d'estimer le risque d'une entreprise en prédisant les fractions des rendements de prix attendus sur différentes périodes futures, dans notre exemple de 5 à 90 jours.

Ci-dessous, un exemple de ce que les prévisions de fractionnement (en bleu) pour les différentes périodes futures après la formation du modèle vont montrer. Les intervalles de fractionnement des prévisions sont plus larges, le risque d'investissement est plus grand.

Évaluer notre modèle

Comme indiqué ci-dessus, avant d'utiliser notre modèle dans notre stratégie, nous comparons ses prédictions aux prédictions obtenues en utilisant une simple conversion des taux de fluctuation passés. Une simple conversion des taux de fluctuation passés est-elle meilleure qu'un algorithme complexe?

Pour évaluer nos modèles et nos benchmarks, nous avons comparé leurs prédictions en pourcentage avec les rendements observés. Par exemple, sur toutes nos prédictions en pourcentage de 0,9, nous avons estimé qu'il y avait une probabilité moyenne de 90% que le prix revienne en dessous des prédictions en pourcentage.

C'est ce que nous essayons d'évaluer dans le graphique ci-dessous. Dans le graphique de gauche, nous pouvons comparer les taux de couverture théoriques et les taux de couverture réels. Dans le graphique de droite, nous voyons la différence entre ces taux de couverture, que nous appelons le taux de couverture théorique - taux de couverture réel.Les erreurs de couverturePar exemple, pour les décimales 0.2, l'erreur de couverture est proche de 0.4%, ce qui signifie qu'en moyenne, nous observons 20.4% de données inférieures à ces valeurs, plutôt que 20% théoriques.

Nous avons fait une moyenne de l'erreur de couverture de tous les chiffres par fenêtre de projection (5, 10... jours) et comparé les résultats obtenus par les tests de référence et les modèles d'IA.Notre modèle d'apprentissage en profondeur fonctionne mieux.Nous sommes prêts à intégrer notre modèle dans notre stratégie.

L'intelligence artificielle dans ADDI

ADDI est un portefeuille d'investissements à effet de levier bêta neutre (beta de ~ 0.1), capable de générer de l'alpha en cas de baisse et de hausse des marchés, avec un seuil net limité et un risque faible.

Dans la plupart des cas, la stratégie consiste à choisir des projets de haute qualité et de faible volatilité. Par conséquent, l'évaluation du risque d'inventaire est une tâche importante dans le processus. Dans l'air libre, l'évaluation du risque est également un calcul important, car la stratégie tente d'éviter les projets à très haut risque ou à très faible risque.

Nous pouvons mesurer le risque en mesurant la volatilité historique des différents cycles de calcul dans les parties multi-têtes et vides de la stratégie.

Afin d'améliorer l'analyse des risques ADDI, nous allons tester les algorithmes de réseaux de neurones profonds précédemment montrés pour remplacer le processus de calcul des risques actuel.

Résultats

En testant le nouveau modèle d'apprentissage en profondeur sur les stratégies multi-tête et multi-tête vides d'investissement dans les composants de l'indice S&P 900, on voit des résultats améliorés en termes de performances et de risques:

• Le rendement total affiché est supérieur à la version originale
• La volatilité diminue
• Le taux de Sharp a augmenté
• Réduction des risques de retrait et de VaR
• Le taux de croissance annuel le plus élevé.

Conclusions

Dans cet article, nous présentons un exemple de modèle algorithmique avancé utilisé pour améliorer les stratégies de quantification de transaction multi-espace (ADDI); nous expliquons comment utiliser les réseaux de neurones pour améliorer et gérer plus précisément des tâches spécifiques dans des produits d'investissement quantifiés afin d'améliorer les résultats finaux.

Cependant, l'utilité du modèle va au-delà de cela, nous pouvons utiliser cet algorithme pour une variété d'autres stratégies. Par exemple, nous pouvons l'utiliser pour choisir les entreprises ayant le taux de change le plus élevé, ou même pour mettre en œuvre des stratégies de pairing. Pouvez-vous penser à d'autres stratégies?

Le lien vers l'original:https://quantdare.com/ai-case-study-long-short-strategy/

Plus de