인공지능 사례 연구: 여러 개의 머리가 없는 전략

이 문서에서는 고급 알고리즘을 사용하여 데이터 드라이브 투자 (ADDI) 전략의 한 모듈을 개선할 것입니다. 이는 시장에서 벗어나 안정적인 성과를 얻으려는 자동 멀티 스피스 투자 전략이며, 리콜 위험이 적습니다.

우리가 개발한 알고리즘은 다공간 전략과 관련된 위험을 줄이기 위해 사용자 정의 된 심층 신경망입니다.

왜 신경망을 사용해야 할까요?

배경

이 문제에 대해투자자 수그러나 가장 중요하고 흥미로운 단계 중 하나는 바로 앞에 있으며, 수많은 가능성이 있습니다. 우리는 어떻게 데이터를 신호로 변환할 것인가?

우리는 우리의 가설을 세밀하게 검사하기 위해 전통적인 통계적 방법을 선택할 수 있고 기계 학습과 깊은 학습과 같은 고급 알고리즘 영역을 탐색할 수 있습니다. 아마도 몇 가지 거시 경제 이론에 대한 매력은 외환 (FX) 시장에서 적용 가능성에 대해 연구하기를 원할 것입니다. 또는 FMZ를 이해하는 것에 대한 열정은 양적 투자의 길로 인도 할 수 있습니다. 이러한 연구 경로 중 각 경로는 효과적일뿐만 아니라 탐구할 가치가 있습니다.

ETS 방법

우리 연구의 경우, 연구 방향을 선택할 때 하나의 지침이 있습니다.혁신을 당당히 합니다. 。

대성당의 아이디어로 돌덩이를 생각할 때, 그것은 더 이상 돌덩이가 아닙니다. 안토니 드 세인트 에크스푸레

이 배후의 기본 원칙은 매우 간단합니다. 우리가 혁신을 하지 않으면 우리는 돋보이지 않을 것이고 성공의 기회도 줄어들 것입니다. 따라서, 우리가 새로운 전략을 세우는 데 있어서 전통적인 통계 자료에 의존하거나 회사의 재무제표에서 통찰력을 얻는 것을 포함하든, 우리는 항상 새로운 방법을 시도하여 그것을 실현합니다. 우리는 특정 시나리오에 대한 구체적인 테스트를 만들고, 재무제표의 특이한 상황을 탐지하거나 특정 문제에 따라 모델을 조정합니다.

따라서 신경망의 적응력과 유연성 때문에 특정 문제를 해결하는 데 특히 매력적이어서 혁신적인 기술을 개발하는 데 도움이 됩니다.

우리가 보았듯이, 이러한 기술을 사용할 수 있는 많은 방법이 있습니다. 하지만, 우리는 조심해야 합니다. 왜냐하면 여기 마법의 공식이 없기 때문입니다. 어떤 노력과 마찬가지로, 우리는 항상 기초에서 시작해야 합니다. 때로는 간단한 선형 회귀가 매우 효과적일 수 있습니다.

오늘 본론으로 돌아가면, 우리는 심층신경망의 강력한 기능을 활용하여 재무보고서와 역사적 가격 데이터를 입력하여 위험을 예측할 것입니다.

우리의 모델

그러나, 우리는 더 간단한 방법들, 예를 들어 역사 변동률과 비교하여 모델의 성능을 평가할 것입니다.

우리가 더 깊이 연구하기 전에, 신경망의 몇 가지 핵심 개념과 예측 출력 분포를 추론하기 위해 어떻게 사용할 수 있는지에 대해 이미 익숙하다고 가정합니다.

또한, 오늘의 목적을 위해 우리는 우리의 기준에 대한 개선과 투자 전략에 적용한 결과에만 집중할 것입니다.

따라서, 시간 계열 데이터의 불확실성을 측정하는 것에 대한 후속 기사에서, 우리는 미래에 다른 시간 범위에서 예상되는 가격 수익의 분포를 예측함으로써 회사의 위험을 추정하려고 노력할 것입니다. 우리의 예에서 시간 범위는 5일에서 90일입니다.

아래는 모델 훈련 후 미래의 다른 시간 범위의 분포 예측 (푸른색) 이 어떻게 나타날지 보여주는 예입니다. 예측 분포의 간격이 넓어질수록 우리의 투자 위험이 커집니다. 보라색은 예측 후 실제로 일어난 일입니다.

우리의 모델을 평가합니다

위에서 언급한 바와 같이, 우리의 전략을 위해 우리의 모델을 사용하기 전에, 우리는 그것의 예측을 과거 변동률의 간단한 변환을 사용하여 얻은 예측과 비교합니다. 과거 변동률의 간단한 변환이 복잡한 알고리즘보다 더 나은가?

우리의 모델과 기준을 평가하기 위해, 우리는 그들의 분포 예측을 관찰된 수익과 비교했다. 예를 들어, 0.9 분포에 대한 우리의 모든 예측에서, 우리는 평균적으로 이 분포 예측보다 낮은 가격 수익의 확률을 90%로 예상했다.

이것은 우리가 아래 그림에서 평가하려고 시도한 것입니다. (모든 결과가 테스트 세트에서 표시됩니다.) 왼쪽 그림에서 우리는 이론적 커버와 실제 커버를 비교할 수 있습니다. 오른쪽 그림에서 우리는 이 커버 사이의 차이를 볼 수 있습니다. (이론적 커버 - 실제 커버)보급률 오류예를 들어, 분자 0.2의 경우, 커버레이션 오차는 0.4%에 가깝습니다. 이는 평균적으로 우리가 관찰한 데이터의 20.4%가 이론적 20%보다 그 값보다 낮다는 것을 의미합니다.

우리는 프로젝션 창 (5,10...일) 에 따라 모든 분자 포괄 오류를 평균화하고 벤치 테스트와 AI 모델에서 얻은 결과를 비교했습니다. 아래에서 볼 수 있습니다.우리의 심층 학습 모델은 더 잘 작동합니다.우리는 우리의 모델을 우리의 전략에 도입할 준비가 되어 있습니다.

인공지능이 ADDI에 포함됩니다.

ADDI는 베타중립적 레버리지 투자 포트폴리오 (베타 값 ~0.1) 이며, 하락 및 상승 시장의 상황에서 알파를 생성할 수 있으며, 시장에 대한 순점 포트폴리오가 제한되어 있으며, 위험성이 낮다.

이 전략의 다중 부분은 높은 품질과 낮은 변동성 편차를 선택한다. 따라서, 재고 위험 평가는 이 과정의 중요한 과제이다. 공백에서, 위험 평가는 또한 매우 높은 위험 또는 매우 낮은 위험의 프로젝트를 피하기 위해 노력하기 때문에 중요한 계산이다.

우리는 전략의 다목적 부분과 빈 부분에서 다른 계산 주기의 역사적 변동률을 통해 위험을 측정할 수 있습니다.

ADDI 위험 분석을 개선하기 위해, 우리는 기존의 위험 계산 과정을 대체하기 위해 이전에 보여진 심층 신경 네트워크 알고리즘을 테스트합니다.

결과

스탠다드 900 지수 구성 요소에 투자한 다목적 전략에서 새로운 심층 학습 모델을 테스트한 결과 성과와 위험 측면 모두에서 더 나은 결과를 볼 수 있습니다:

• 전체 수익률은 원래보다 더 높습니다.
• 변동성 감소
• 샤프 비율 상승
• 리콜 및 VaR에서 위험을 줄입니다.
• 가장 높은 1년 연속 성장률.

결론

이 문서에서는 거래 다공간 정량화 전략 (ADDI) 을 개선하기 위해 사용되는 고급 알고리즘 모델의 예제를 보여준다. 우리는 최종 결과를 개선하기 위해 정량화 투자 상품의 특정 작업을 개선하고 더 정확하게 관리하기 위해 신경망을 사용하는 방법을 소개한다.

그러나 이 모델의 적용은 그 이상이고, 우리는 이 알고리즘을 다양한 다른 전략에 사용할 수 있습니다. 예를 들어, 우리는 그것을 가장 높은 샤프 비율을 가진 회사를 선택하거나 심지어 짝짓기 거래 전략을 실행하는 데 사용할 수 있습니다. 당신은 다른 전략을 생각할 수 있습니까?

이 글의 링크는:https://quantdare.com/ai-case-study-long-short-strategy/