Neste artigo, usaremos um algoritmo avançado para melhorar um módulo da estratégia de investimento alternativo baseado em dados (ADDI), uma estratégia de investimento automático de múltiplos espaços, que visa obter resultados estáveis, desligados do mercado e com um risco de retração limitado.
O algoritmo que desenvolvemos é uma rede neural profunda personalizada, que reduz os riscos associados às estratégias de multi-espaço.
ParaInvestidores quantificadosMas uma das fases mais importantes e interessantes está por vir, com inúmeras possibilidades: como vamos transformar esses dados em sinais?
Podemos optar por métodos estatísticos tradicionais para examinar nossas hipóteses, ou explorar áreas de algoritmos avançados como aprendizado de máquina e aprendizado profundo. Talvez o fascínio por algumas teorias macroeconômicas te deixe interessado em pesquisar sua aplicabilidade no mercado de câmbio (FX). Ou talvez o entusiasmo por entender FMZ possa guiar você para o caminho do investimento quantitativo. Cada um desses caminhos de pesquisa não é apenas eficaz, mas vale a pena ser explorado.
No nosso caso, há apenas um princípio orientador para escolher a direção do estudo:Ousamos inovar 。
Quando alguém pensa na ideia de uma catedral como um monte de pedras, ela não é mais um monte de pedras.
O princípio básico por trás disso é muito simples: se não inovarmos, não nos destacaremos e as chances de sucesso diminuirão. Portanto, seja quando estamos desenvolvendo uma nova estratégia, dependendo de estatísticas tradicionais ou envolvendo a extração de informações dos relatórios financeiros da empresa, sempre tentamos fazer isso com métodos inovadores. Criamos testes específicos para cenários específicos, detectamos anomalias nos relatórios financeiros ou ajustamos nossos modelos de acordo com problemas específicos.
Assim, 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, devemos ser cautelosos, pois não há fórmulas mágicas aqui. Como em qualquer esforço, devemos sempre começar com as bases, e às vezes, uma simples regressão linear pode ser muito eficaz.
Voltando ao foco de hoje, vamos aproveitar a poderosa funcionalidade das redes neurais profundas, usando dados de relatórios financeiros e preços históricos como entrada para prever riscos.
Dito isto, vamos avaliar o desempenho do modelo por meio de comparações com métodos mais simples, como a taxa de flutuação histórica.
Antes de aprofundarmos, suponhamos que já estamos familiarizados com alguns dos conceitos-chave das redes neurais e como podemos usá-los para inferir distribuições de resultados de previsão.
Além disso, para os fins de hoje, vamos nos concentrar apenas na melhoria em relação aos nossos parâmetros e nos resultados obtidos depois de usá-los na estratégia de investimento.
Assim, em artigos posteriores sobre a medida da incerteza dos dados de sequências de tempo, tentaremos estimar o risco da empresa, estimando os fracionamentos de retorno de preços esperados em diferentes intervalos de tempo futuros, no nosso exemplo, de 5 a 90 dias.
Abaixo, há um exemplo de como as previsões de frações de diferentes períodos de tempo futuros (azul) serão mostradas após o treinamento do modelo. Quanto maior o intervalo de frações de previsão, maior o risco de investimento.
Como mencionado acima, antes de usarmos nosso modelo em nossa estratégia, comparamos sua previsão com a previsão obtida usando uma simples conversão da taxa de flutuação passada. É melhor uma simples conversão da taxa de flutuação passada do que um algoritmo complexo?
Para avaliar nossos modelos e benchmarks, comparamos suas previsões de percentual com os retornos observados. Por exemplo, em todas as nossas previsões de percentual de 0,9, esperamos uma probabilidade de 90% em média de retornos de preços inferiores às previsões desse percentual.
Isso é o que tentamos avaliar no gráfico abaixo (todos os resultados mostrados são de conjuntos de testes); no gráfico à esquerda, podemos comparar a cobertura teórica e a cobertura real; no gráfico à direita, vemos a diferença entre essas coberturas (a cobertura teórica - a cobertura real), que chamamos deErro de coberturaPor exemplo, para os dígitos 0.2, o erro de cobertura é de cerca de 0.4%, o que significa que, em média, observamos 20.4% de dados abaixo desses valores, em vez de 20% teóricos.
Em uma janela de projeção (5, 10... dias), nós mediamos o erro de cobertura de todos os dígitos e comparamos os resultados obtidos com o teste de referência e o modelo de IA.O nosso modelo de aprendizagem profunda está a melhorar.A partir de agora, o modelo será implementado em todo o mundo (com menor erro de cobertura média), e estamos prontos para incorporar o nosso modelo em nossa estratégia.
O ADDI é um portfólio de investimento de alavancagem beta-neutra (beta ~ 0.1), capaz de gerar alfa em situações de baixa e alta, com um limite de margem líquida para o mercado e baixo risco.
A maioria das partes da estratégia opta por projetos de alta qualidade e de baixo desvio de volatilidade. Assim, a avaliação do risco de estoque é uma tarefa importante no processo. No caos, a avaliação do risco também é um cálculo importante, pois a estratégia tenta evitar projetos de alto risco ou de baixo risco.
Podemos medir o risco através da variação histórica de diferentes ciclos de cálculo nas partes de multi-título e em branco da estratégia.
Para melhorar a análise de risco do ADDI, vamos testar algoritmos de redes neurais profundas mostrados anteriormente para substituir o atual processo de cálculo de risco.
Testando o novo modelo de aprendizagem profunda em uma estratégia de multi-headedness de cabeça vazia, investida em um componente do S&P 900 Index, vemos resultados melhores em termos de desempenho e risco:
Neste artigo, mostramos um exemplo de um modelo de algoritmo avançado usado para melhorar a estratégia de quantificação de transações em vários espaços (ADDI); mostramos como usar redes neurais para melhorar e gerenciar com mais precisão tarefas específicas em produtos de investimento quantificados, melhorando assim os resultados finais.
No entanto, a aplicabilidade do modelo vai além disso, e podemos usar o algoritmo para uma variedade de outras estratégias. Por exemplo, podemos usá-lo para selecionar as empresas com o maior índice de Sharpe, ou até mesmo para implementar estratégias de negociação de pares.
O link original:https://quantdare.com/ai-case-study-long-short-strategy/