Neste artigo, vamos usar um algoritmo avançado para aperfeiçoar um módulo da estratégia de Investimento Alternativo Dirigido por Dados (ADDI), uma estratégia de investimento multi-espaço automático que visa obter resultados estáveis fora de sintonia com o mercado e com risco de retirada limitado.

O algoritmo que desenvolvemos é uma rede neural de profundidade personalizada, que é usada para reduzir os riscos associados à estratégia multi-espaço.

Por que usar redes neurais?

História

Para oOs investidores quantitativosPara eles, a obtenção de dados marca o meio de sua jornada de investimento. Mas uma das fases mais importantes e interessantes está por vir, com inúmeras possibilidades em aberto: como vamos transformar esses dados em sinais?

Podemos optar por métodos estatísticos tradicionais para examinar cuidadosamente nossas hipóteses, ou explorar áreas de algoritmos avançados, como aprendizado de máquina e aprendizado profundo. Talvez o fascínio por várias teorias macroeconômicas faça você querer estudar sua aplicabilidade no mercado de câmbio (FX). Ou, talvez a paixão por entender o FMZ possa guiá-lo no caminho do investimento quantitativo. Cada um desses caminhos de pesquisa não é apenas eficaz, mas vale a pena explorar.

Método ETS

No nosso caso, há apenas um princípio orientador para escolher o rumo da pesquisa:Ousaram inovar 。

Quando alguém pensa num monte de pedras com a idéia de uma catedral, ela deixa de ser um monte de pedras.

O princípio por trás disso é muito simples: se não inovamos, não nos destacamos e as chances de sucesso são reduzidas. Portanto, quer estejamos desenvolvendo uma nova estratégia, dependendo de estatísticas tradicionais ou envolvendo insights extraídos das demonstrações financeiras da empresa, sempre tentamos implementá-la com métodos inovadores. Criamos testes específicos para cenários específicos, detectamos anomalias nas demonstrações financeiras ou ajustamos nossos modelos de acordo com problemas específicos.

Portanto, devido à adaptabilidade e flexibilidade das redes neurais, elas são particularmente atraentes para resolver problemas específicos, o que nos ajuda a desenvolver tecnologias inovadoras.

Como vimos, existem muitas maneiras de usar essas técnicas. No entanto, é preciso ser cauteloso, pois não há fórmulas mágicas. Como em qualquer esforço, devemos sempre começar a partir das bases e, às vezes, uma simples regressão linear pode ser muito eficaz.

Voltando ao foco de hoje, vamos aproveitar o poder das redes neurais de profundidade, usando dados de relatórios financeiros e preços históricos como entrada para prever riscos.

O nosso modelo.

Dito isto, vamos avaliar o desempenho do modelo por meio de métodos mais simples, como a comparação com a taxa de flutuação histórica.

Antes de nos aprofundarmos, suponhamos que já estamos familiarizados com alguns dos conceitos-chave das redes neurais e como podemos usá-los para derivar distribuições de saída de previsão.

Além disso, para os fins de hoje, vamos focar apenas nas melhorias feitas em relação aos nossos benchmarks e nos resultados obtidos depois de aplicá-los à nossa estratégia de investimento.

Assim, em um artigo subsequente sobre a incerteza dos dados de medição da sequência de tempo, tentaremos estimar o risco da empresa por meio da previsão de dígitos de retorno esperado de preços em diferentes períodos de tempo futuros, no nosso exemplo, o intervalo de tempo é de 5 dias a 90 dias.

Abaixo, um exemplo mostra como as previsões de divisões numéricas para diferentes intervalos de tempo no futuro, após o treinamento do modelo (em azul). Quanto maior o intervalo de divisões numéricas das previsões, maior o risco de investimento. O vermelho é o que realmente acontece depois de fazer as previsões.

Avaliação do nosso modelo

Como mencionado acima, antes de usar nosso modelo em nossa estratégia, comparamos sua previsão com a previsão obtida usando uma simples conversão de taxas de flutuação no passado. Será que uma simples conversão de taxas de flutuação no passado é melhor do que um algoritmo complexo?

Para avaliar nossos modelos e benchmarks, comparamos suas previsões fracionárias com os retornos observados. Por exemplo, em todas as nossas previsões para o fracionário 0,9, esperamos uma probabilidade de 90% de que, em média, o retorno de preços seja inferior à previsão desse fracionário.

Isso é o que nós tentamos avaliar no gráfico abaixo (todos os resultados mostrados vêm de um conjunto de testes). No gráfico à esquerda, podemos comparar a cobertura teórica e a cobertura real. No gráfico à direita, vemos a diferença entre essa cobertura (a cobertura teórica - a cobertura real), que nós chamamos deErro de coberturaPor exemplo, para uma fração de 0,2, a taxa de cobertura de erro é de cerca de 0,4%, o que significa que, em média, observamos que 20,4% dos dados estão abaixo desses valores, em vez dos 20% teóricos.

Fizemos uma média de todos os erros de cobertura decimal para a janela de projeção (5, 10 … dias) e comparamos os resultados obtidos com testes de referência e modelos de IA.Os nossos modelos de aprendizagem profunda estão a melhorar.(O erro médio de cobertura é menor), estamos prontos para introduzir o nosso modelo na nossa estratégia.

Inteligência Artificial no ADDI

O ADDI é um portfólio de investimentos com um nível de alavancagem beta-neutro (beta ~ 0.1), capaz de gerar alfa em mercados de baixa e baixa, com uma entrada de mercado limitada e baixo risco.

A parte multi-cabeça da estratégia é a seleção de produtos de alta qualidade e com menor desvio de volatilidade. Assim, a avaliação de risco de estoque é uma tarefa importante do processo. Na cavidade, a avaliação de risco também é um cálculo importante, pois a estratégia tenta evitar projetos de risco muito alto ou muito baixo.

Podemos medir o risco através da variação histórica de diferentes períodos de cálculo na parte multi-cabeça e nocabeça da estratégia.

Para melhorar a análise de risco do ADDI, testamos algoritmos de rede neural de profundidade exibidos anteriormente para substituir o processo atual de cálculo de risco.

Resultado

Testando novos modelos de aprendizagem profunda em uma estratégia de cabeçalho vazio e multicapa de investimento em componentes do índice S&P 900, pode-se ver melhores resultados em termos de desempenho e risco:

• Os números mostrados são mais altos do que a versão original
• Baixa volatilidade
• Aumento da taxa de Sharpe
• Risco reduzido em retirada e VaR
• Crescimento de rolagem superior a um ano.

para concluir

Neste artigo, apresentamos um exemplo de um modelo de algoritmo avançado usado para melhorar a estratégia de quantificação de negociação multi-espaço (ADDI). Introduzimos como as redes neurais podem ser usadas para melhorar e gerenciar com mais precisão tarefas específicas em produtos de investimento quantificados, melhorando assim os resultados finais.

Mas a utilidade do modelo vai além disso, podemos usar o algoritmo em várias outras estratégias. Por exemplo, podemos usá-lo para selecionar as empresas com o maior índice de Sharpe e até mesmo para implementar estratégias de negociação de pares.

A estratégia de longo prazo é uma estratégia de longo prazo que se baseia em uma estratégia de longo prazo.