В этой статье мы будем использовать сложный алгоритм для улучшения одного из модулей альтернативной стратегии инвестирования, управляемой данными (ADDI), которая является автоматической стратегией многопрофильного инвестирования, направленной на стабильные результаты, отличные от рынка, с минимальным риском отзыва.
Алгоритм, который мы разработали, - это настраиваемая глубокая нейронная сеть, с помощью которой мы снижаем риски, связанные с полипространственными стратегиями.
ДляКоличественные инвесторыНо один из самых важных и интересных этапов находится впереди, где открываются бесчисленные возможности: как мы можем превратить эти данные в сигналы?
Мы можем использовать традиционные статистические методы для тщательного изучения наших гипотез, а также исследовать области высокотехнологичных алгоритмов, таких как машинное обучение и глубокое обучение. Может быть, увлечение несколькими макроэкономическими теориями заставит вас исследовать их применимость на рынке иностранных валют (FX). Или, может быть, энтузиазм к пониманию FMZ может привести вас к пути к количественному инвестированию. Каждый из этих исследовательских путей не только эффективен, но и стоит изучения.
В нашем случае, когда мы выбираем направление исследования, есть только один руководящий принцип:Смелость в инновациях 。
Когда кто-то думает о соборе как о куче камней, он перестает быть кучей камней.
Основные принципы, лежащие в основе этого, очень просты: если мы не внедряем инновации, мы не выделяемся, и наши шансы на успех уменьшаются. Поэтому, независимо от того, строим ли мы новую стратегию, опираясь на традиционные статистические данные или используя информацию из финансовых отчетов компаний, мы всегда стараемся использовать новые методы. Мы создаем конкретные тесты для конкретных сценариев, обнаруживаем исключения в финансовых отчетах или корректируем нашу модель в соответствии с конкретными проблемами.
Таким образом, благодаря адаптивности и гибкости нейронных сетей, они особенно привлекательны для решения конкретных проблем, что помогает нам в разработке инновационных технологий.
Как мы видели, есть много способов использовать эти технологии. Однако мы должны быть осторожны, потому что здесь нет никаких волшебных формул. Как и в любом деле, мы должны всегда начинать с основы, и иногда простое линейное регрессирование может оказаться очень эффективным.
Возвращаясь к сегодняшнему фокусу, мы будем использовать мощные возможности глубоких нейронных сетей, используя финансовые отчеты и данные исторических цен в качестве ввода для прогнозирования рисков.
Тем не менее, мы будем оценивать производительность модели, сравнивая ее с более простыми методами, такими как историческая волатильность.
До того, как мы углубимся, предположим, что мы уже знакомы с некоторыми ключевыми концепциями нейронных сетей и как мы можем использовать их для вывода распределения прогнозных выводов.
Кроме того, для целей сегодняшнего дня мы будем сосредоточены только на улучшении наших ориентиров и результатах их использования в инвестиционной стратегии.
Таким образом, в последующих статьях о измерении неопределенности данных временных рядов мы попытаемся оценить риск компании, предсказав дифференциацию ожидаемой ценовой отдачи в будущем на разные временные диапазоны, в нашем примере от 5 до 90 дней.
Ниже приведен пример того, как после тренировки модели будут выглядеть прогнозы дифференциаций (синий) на разные временные диапазоны в будущем. Чем шире интервал дифференциаций прогнозов, тем больше риск для нашего инвестирования.
Как уже упоминалось выше, прежде чем использовать нашу модель в нашей стратегии, мы сравниваем ее прогноз с прогнозом, полученным с помощью простого преобразования прошлых колебаний.
Для оценки наших моделей и эталонов мы сравнивали их прогнозы по дефициту с наблюдаемыми доходами. Например, среди всех наших прогнозов по дефициту 0.9 мы ожидали, что, в среднем, вероятность того, что цена вернется ниже прогноза по дефициту, составит 90%.
Это то, что мы пытаемся оценить в следующей диаграмме (все показаны результаты из наборов тестов). В левой диаграмме мы можем сравнить теоретический и фактический охват. В правой диаграмме мы видим разницу между этими охватами (теоретический охват - фактический охват), которую мы называемОшибка покрытияНапример, для дифференциации 0.2, погрешность покрытия приближается к 0.4%, что означает, что в среднем мы наблюдаем 20.4% данных ниже этих значений, а не теоретические 20%.
Мы сделали среднее значение по ошибкам покрытия всех дифференциаций по проекционному окну (5, 10... дней) и сравнили результаты, полученные с помощью базовых тестов и моделей ИИ. Ниже мы можем увидеть, что, поскольку мы не можем получить результаты, то мы не можем получить результаты, полученные с помощью базовых тестов.Наша модель глубокого обучения работает лучше.Мы готовы внедрить нашу модель в нашу стратегию.
ADDI представляет собой бета-нейтральный портфель инвестиций (бета-значение ~0.1), способный генерировать альфа в условиях понижения и падения рынка, с ограниченным чистым проникновением в рынок и низким уровнем риска.
Большинство частей этой стратегии выбирают высококачественные и с меньшим отклонением от волатильности. Поэтому оценка риска инвентаря является важной задачей в этом процессе. В пустоте оценка риска также является важным расчетом, так как эта стратегия пытается избежать проектов с очень высоким или очень низким риском.
Мы можем измерить риск, используя исторические колебания в разных циклах вычислений в многоголовной и пустой частях стратегии.
Для улучшения анализа рисков ADDI мы будем тестировать алгоритмы глубоких нейронных сетей, которые были показаны ранее, чтобы заменить текущий процесс расчета рисков.
Новая модель глубокого обучения, проведенная с использованием многоголовой и пустой стратегии инвестирования в составляющие индекса S&P 900, показала улучшение результатов как в отношении производительности, так и риска:
В этой статье мы показываем пример высокотехнологичной алгоритмической модели, которая используется для улучшения стратегии количественной многопространственной сделки (ADDI); мы показываем, как мы можем использовать нейронные сети для улучшения и более точного управления конкретными задачами в количественных инвестиционных продуктах, что улучшит конечные результаты.
Но применение модели не ограничивается этим, мы можем использовать алгоритм для различных других стратегий. Например, мы можем использовать его для выбора компаний с самым высоким коэффициентом Sharpe, или даже для реализации стратегии паров.
Ссылка на текст:https://quantdare.com/ai-case-study-long-short-strategy/