資源の読み込みに... 荷物...

AIのケーススタディ:多頭空頭戦略

作者: リン・ハーンFMZ~リディア作成日:2024年11月07日 15:49:45 更新日:

この記事では,高度なアルゴリズムを用いて,市場から切り離された安定した業績を得るために,リコールリスクが限られている自動多空投資戦略である,ADDI戦略の1つのモジュールを改良します.

私たちの開発したアルゴリズムは,多空間の戦略に関連するリスクを軽減するために,カスタマイズされた深層神経ネットワークです.

なぜニューラルネットワークを使うのか?

背景

について投資家の量化しかし,最も重要で興味深い段階の一つは,数え切れない可能性が広がる前にあります. どのようにこのデータをシグナルに変換するか?

伝統的な統計的方法を選んで仮定を徹底的に検証したり,機械学習や深層学習などの高度なアルゴリズムの領域を探索したりできます. いくつかのマクロ経済理論に夢中になって,FX市場での適用性について研究したいと考えたり,FMZを理解する熱意が量的な投資への道に導くかもしれません. これらの研究路径のそれぞれは有効であり,探求に値します.

ETS方法

この研究分野を選んだとき,私たちの場合は,たった一つの指針があります.革新する勇気

石の山だと考えるとき,それはもはや石の山ではない. - アントニー・ド・サン・エクシュペリ

その背後にある基本原理は非常にシンプルです. 私たちが革新しなければ,私たちは見抜かれず,成功の機会も減少します. だから,新しい戦略を策定する際,従来の統計データに頼るか,会社の財務諸表から洞察を得るかに関わらず,私たちは常に新しい方法でそれを実現しようとします. 私たちは特定のシナリオのために特定のテストを作成し,財務諸表の異常を検知したり,特定の問題に応じてモデルを調整します.

したがって,神経ネットワークの適応性と柔軟性により,特定の問題を解決するために特に魅力的で,革新的な技術を開発するのに役立ちます.

この技術を使う方法はいくつかあります. しかし,私たちは慎重でなければなりません. なぜなら,魔法のような公式は存在しないからです. どんな努力でも,私たちは常に基礎から始めなければなりません.

今日の重点に戻り,我々は,財務諸表と歴史的な価格のデータを入力としてリスク予測に使用し,深層神経ネットワークの強力な機能を活用します.

私たちのモデル

モデル性能を評価するには,歴史波動率などのよりシンプルな方法と比較します.

詳しく調べる前に,いくつかの重要な概念と,予測出力の分布を推論するためにそれらをどのように使用するかについて,既に知っていると仮定します.

さらに,今日の目的のために,我々は,我々の基准に対する改善と,それを投資戦略に使った結果にのみ焦点を当てます.

したがって,次回の時間系列データ不確実性の測定に関する記事では,将来の異なる時間範囲で予想される価格返済の分数を予測することによって,企業のリスクを推定しようとします.この例では,5日から90日までの時間範囲です.

以下は,モデルを訓練した後に,将来の異なる時間範囲の分位予測 (青) がどのように表示されるかを示す例です. 予測された分位数の間隔が大きいほど,投資リスクが大きい. 紫色は予測後に実際に起こったことです.

img

モデルを評価する

上記のように,我々のモデルを我々の戦略に使う前に,我々はその予測を過去の波動率の単純な変換を用いて得られた予測と比較する. 過去の波動率の単純な変換は複雑なアルゴリズムよりも優れているのか?

私たちのモデルと基数を評価するために,それらの分位予測と観察された返還を比較した.例えば,0.9分位に対するすべての予測の中で,その分位予測を下回る価格返還の確率を平均して90%と見積もった.

左の図では理論的覆蓋率と実際の覆蓋率を比較できます. 右の図では,これらの覆蓋率 (理論的覆蓋率 - 実際の覆蓋率) の違いを見て,これを"理論的覆蓋率 - 実際の覆蓋率"と呼びます.覆盖率の誤り例えば,分位数0.2では,カバー率誤差は0.4%に近い,つまり平均して,我々は20.4%のデータをこれらの値よりも低い値で見た,理論的には20%ではない.

img

投影窓 (5. 10...日) ですべての分数カバー誤差を平均し,基調テストとAIモデルによる結果を比較しました.ディープラーニングモデルがうまくいっています平均的な覆盖率の誤差が小さいため,我々は我々のモデルを戦略に導入する準備をしている.

img

ADDIにAIを組み込む

ADDIは,ベータ中性レバレッジ投資ポートフォリオ (ベータ値~0.1) で,下落と強騰の状況下でアルファを生むことができ,市場への純門口が限られており,リスクは低い.

この戦略の多頭部では,高品質で波動差が少ないものを選択する.したがって,在庫リスク評価は,このプロセスにおける重要な任務である.空頭では,リスク評価は,非常に高いリスクまたは非常に低いリスクを持つプロジェクトを避けるように試みるため,重要な計算でもある.

戦略の多頭部と空頭部で異なる計算周期における歴史的波動率によってリスクを測定することができます.

ADDIのリスク分析を改良するために,現在のリスク計算プロセスを置き換えるために,これまで示したディープニューラルネットワークアルゴリズムをテストします.

結果

S&P900の成分である多頭空頭戦略を投資して新しいディープラーニングモデルをテストしたところ,パフォーマンスとリスクの両方の結果が改善されたことが見られました:

img

  • 総収益率は,元のバージョンよりも高い数字を示しています.
  • 波動性が減る
  • シャープ率上昇
  • 撤収やVaRのリスクは低下
  • ローリング成長は1年目最高.

img

結論

この記事では,取引多空間の量化戦略 (ADDI) を改善するために使用される高度なアルゴリズムモデルの例を示します. 取引多空間の量化戦略 (ADDI) を改善するために,取引多空間の量化投資製品の特定のタスクを改良し,より正確に管理し,結果を改善する方法について説明します.

しかし,このモデルの応用はこれ以上ではありません. このアルゴリズムは様々な他の戦略にも使えます. 例えば,最も高いシャープ率を持つ会社を選択したり,ペア取引戦略を実装したりすることができます. 他の戦略を考えられますか?

ブログの記事へのリンク:https://quantdare.com/ai-case-study-long-short-strategy/


もっと