Dalam artikel ini, kami akan menggunakan algoritma canggih untuk memperbaiki satu modul dari strategi ADDI, strategi investasi multi-space otomatis yang bertujuan untuk mendapatkan hasil yang stabil yang terpisah dari pasar dengan risiko mundur yang terbatas.
Algorithm yang kami kembangkan adalah jaringan saraf dalam yang disesuaikan untuk mengurangi risiko yang terkait dengan strategi multi-ruang.
UntukInvestor KuantitatifNamun, salah satu tahap yang paling penting dan paling menarik adalah di depan mata, di mana banyak kemungkinan terbuka: Bagaimana kita akan mengubah data menjadi sinyal?
Kita dapat menggunakan metode statistik tradisional untuk memeriksa hipotesis kita dengan cermat, atau kita dapat mengeksplorasi bidang algoritma canggih seperti pembelajaran mesin dan pembelajaran mendalam. Mungkin, ketagihan dengan beberapa teori makro ekonomi membuat Anda ingin mempelajari aplikasinya di pasar forex (FX). Atau, mungkin, semangat untuk memahami FMZ dapat mengarahkan Anda ke jalan investasi kuantitatif. Setiap jalur penelitian ini tidak hanya efektif, tetapi juga layak untuk dijelajahi.
Dalam kasus kami, hanya ada satu prinsip yang membimbing dalam memilih bidang studi:Berani Berinovasi 。
"Ketika seseorang memikirkan katedral sebagai tumpukan batu, maka itu bukan lagi tumpukan batu". - Anthony de Saint-Exupery
Prinsip dasar di balik ini sangat sederhana. Jika kita tidak berinovasi, kita tidak akan menonjol, dan peluang sukses akan berkurang. Jadi, apakah kita sedang mengembangkan strategi baru yang bergantung pada statistik tradisional atau yang melibatkan mengambil wawasan dari laporan keuangan perusahaan, kita selalu mencoba untuk melakukannya dengan cara baru.
Oleh karena itu, jaringan saraf sangat menarik dalam memecahkan masalah tertentu karena fleksibilitas dan fleksibilitasnya, yang membantu kita mengembangkan teknologi inovatif.
Seperti yang kita lihat, ada banyak cara untuk menggunakan teknik ini. Namun, kita harus berhati-hati karena tidak ada rumus ajaib di sini. Seperti halnya upaya apa pun, kita harus selalu memulai dari dasar, dan kadang-kadang, regresi linier sederhana dapat terbukti sangat efektif.
Kembali ke fokus hari ini, kita akan memanfaatkan kemampuan yang kuat dari jejaring saraf yang mendalam, menggunakan data laporan keuangan dan harga historis sebagai input untuk memprediksi risiko.
Dengan demikian, kita akan menilai kinerja model dengan membandingkan dengan metode yang lebih sederhana seperti tingkat fluktuasi historis.
Sebelum kita mempelajari lebih lanjut, asumsikan bahwa kita sudah terbiasa dengan beberapa konsep kunci jaringan saraf dan bagaimana kita dapat menggunakannya untuk menyimpulkan distribusi output prediksi.
Selain itu, untuk tujuan hari ini, kami hanya akan fokus pada perbaikan terhadap tolok ukur kami dan hasil yang diperoleh setelah menerapkannya dalam strategi investasi.
Oleh karena itu, dalam artikel berikutnya tentang pengukuran ketidakpastian data urutan waktu, kita akan mencoba untuk memperkirakan risiko perusahaan dengan memprediksi pecahan dari pengembalian harga yang diharapkan pada rentang waktu yang berbeda di masa depan, dalam contoh kami, rentang waktu 5 hari hingga 90 hari.
Di bawah ini adalah contoh bagaimana prediksi pecahan (blue) akan muncul setelah pelatihan model. Semakin luas interval pecahan yang diprediksi, semakin besar risiko investasi kita. Ungu adalah apa yang sebenarnya terjadi setelah prediksi dibuat.
Seperti yang disebutkan di atas, sebelum menggunakan model kami dalam strategi kami, kami akan membandingkan perkiraan dengan perkiraan yang diperoleh dengan menggunakan konversi sederhana dari volatilitas masa lalu. Apakah konversi sederhana dari volatilitas masa lalu lebih baik daripada algoritma yang rumit?
Untuk mengevaluasi model dan tolok ukur kami, kami membandingkan prediksi persentase mereka dengan hasil yang diamati. Misalnya, dalam semua prediksi kami pada persentase 0.9, kami memperkirakan rata-rata 90% kemungkinan harga akan kembali di bawah prediksi persentase tersebut.
Ini adalah apa yang kita coba evaluasi dalam grafik di bawah ini (semua hasil yang ditampilkan berasal dari kumpulan tes). Pada grafik kiri, kita dapat membandingkan tingkat keterjangkauan teori dan tingkat keterjangkauan nyata. Pada grafik kanan, kita melihat perbedaan antara tingkat keterjangkauan ini (tingkat keterjangkauan teori - tingkat keterjangkauan nyata), yang kita sebut sebagaiKesalahan PenutupMisalnya, untuk pecahan 0.2, kesalahan tingkat cakupan mendekati 0.4%, yang berarti bahwa pada rata-rata, kita melihat data 20.4% di bawah nilai-nilai ini, bukan 20% secara teoritis.
Kami rata-rata kesalahan penutup dari semua angka dalam jendela proyeksi (5, 10... hari) dan membandingkan hasil dari tes acuan dan model AI. Di bawah ini kita dapat melihat bahwa,Model pembelajaran mendalam kami lebih baik.Kami siap untuk mengintegrasikan model kami ke dalam strategi kami.
ADDI adalah portofolio investasi leverage net neutral (beta ~ 0.1) yang mampu menghasilkan alpha dalam kondisi pasar belasan dan bullish, dengan margin bersih yang terbatas terhadap pasar, dan situasi risiko yang rendah.
Sebagian besar bagian dari strategi ini memilih yang berkualitas tinggi dan memiliki sedikit deviasi volatilitas. Oleh karena itu, penilaian risiko persediaan adalah tugas penting dalam proses ini. Di kepala kosong, penilaian risiko juga merupakan perhitungan penting karena strategi ini mencoba untuk menghindari proyek yang sangat berisiko atau sangat berisiko rendah.
Kita dapat mengukur risiko dengan mengukur fluktuasi historis pada siklus perhitungan yang berbeda di bagian multihead dan blank dari strategi.
Untuk meningkatkan analisis risiko ADDI, kami akan menguji algoritma jaringan saraf mendalam yang sebelumnya ditampilkan untuk menggantikan proses perhitungan risiko saat ini.
Dengan menguji model pembelajaran mendalam baru pada strategi multi-headed, multi-headed yang berinvestasi pada komponen S&P 900 Index, kita dapat melihat hasil yang lebih baik dari segi kinerja dan risiko:
Dalam artikel ini, kami menunjukkan contoh model algoritma canggih yang digunakan untuk meningkatkan strategi kuantifikasi multi-ruang transaksi (ADDI); kami menjelaskan bagaimana menggunakan jaringan saraf untuk meningkatkan dan mengelola tugas-tugas tertentu dalam produk investasi kuantifikasi dengan lebih akurat, sehingga meningkatkan hasil akhir.
Namun, model ini dapat digunakan untuk berbagai strategi lain. Misalnya, kita dapat menggunakannya untuk memilih perusahaan dengan rasio Sharpe tertinggi, atau bahkan untuk menerapkan strategi perdagangan berpasangan.
Link asli:https://quantdare.com/ai-case-study-long-short-strategy/