В этой статье мы будем использовать высокотехнологичный алгоритм для улучшения модуля стратегии альтернативных инвестиций, основанных на данных (ADDI), автоматической многопрофильной инвестиционной стратегии, направленной на получение стабильных результатов, не связанных с рынком, с ограниченным риском отзыва.

Мы разработали алгоритм, который представляет собой настраиваемую глубинную нейронную сеть, которая используется для снижения рисков, связанных с многопространственной стратегией.

Почему мы используем нейронные сети?

История происхождения

ДляКоличественные инвесторыНо сейчас наступает один из самых важных и интересных этапов в их инвестиционном путешествии, в котором открываются бесчисленные возможности: как мы можем превратить эти данные в сигналы?

Мы можем выбрать традиционные статистические методы для тщательной проверки наших гипотез, а также исследовать такие области высокотехнологичных алгоритмов, как машинное обучение и глубокое обучение. Возможно, увлечение несколькими макроэкономическими теориями заставит вас изучить их применимость на рынке Форекс (FX). Или, возможно, страсть к пониманию FMZ может направить вас на путь к количественному инвестированию.

Метод ETS

В нашем случае, когда мы выбираем направление исследования, есть только один руководящий принцип:Смелость к инновациям 。

Когда кто-то думает о куче камней, как о соборе, это уже не куча камней.

Основные принципы, лежащие в основе этого, очень просты: если мы не будем внедрять инновации, мы не сможем выделиться и уменьшим наши шансы на успех. Поэтому, независимо от того, разрабатываем ли мы новую стратегию, опираемся ли мы на традиционные статистические данные или получаем идеи из финансовых отчетов компании, мы всегда пытаемся реализовать ее с помощью новых методов.

Таким образом, из-за адаптивности и гибкости нейронных сетей они особенно привлекательны для решения конкретных проблем, что помогает нам разрабатывать инновационные технологии.

Как мы увидели, существует множество способов использовать эти методы. Однако, мы должны действовать осторожно, потому что здесь нет волшебных формул. Как и в любой работе, мы всегда должны начинать с основ, и иногда простое линейное воспроизведение может оказаться очень эффективным.

Возвращаясь к сегодняшней тематике, мы будем использовать мощные возможности глубинных нейронных сетей, используя данные финансовых отчетов и исторических цен в качестве ввода для прогнозирования риска.

Наша модель

Тем не менее, мы будем оценивать производительность модели, сравнивая ее с более простыми методами, такими как историческая волатильность.

До того, как мы углубимся в это, предположим, что мы уже знакомы с некоторыми ключевыми понятиями нейронных сетей и с тем, как мы можем использовать их для вывода распределения прогнозируемого вывода.

Кроме того, для целей сегодняшнего дня мы будем фокусироваться только на улучшениях в отношении наших критериев и на результатах, полученных после их использования в инвестиционной стратегии.

Таким образом, в последующих статьях о неопределенности данных измерения временной серии мы попытаемся оценить риск компании, прогнозируя доли ожидаемой ценовой отдачи в различных будущих временных промежутках, в нашем примере от 5 до 90 дней.

Ниже приведен пример того, как после тренировки модели будут выглядеть прогнозы на разные промежутки времени в будущем (синий цвет). Чем шире промежутки между прогнозируемыми цифрами, тем больше риск для нашего инвестирования.

Оценка нашей модели

Как уже говорилось выше, прежде чем использовать нашу модель в нашей стратегии, мы сравниваем ее прогнозы с прогнозами, полученными с использованием простых преобразований прошлых колебаний. Лучше ли простые преобразования прошлых колебаний, чем сложные алгоритмы?

Для оценки наших моделей и эталонных значений мы сравниваем их долевые прогнозы с наблюдаемыми доходами. Например, среди всех наших прогнозов на долю 0.9 мы ожидаем, что вероятность того, что цена будет ниже долевых прогнозов, составляет 90% в среднем.

Это то, что мы пытаемся оценить в следующем рисунке (все результаты, показанные, взяты из тестовых наборов). В левом рисунке мы можем сравнить теоретический охват и фактический охват.Ошибки в охватеНапример, для дроби 0.2 погрешность охвата близка к 0.4%, что означает, что в среднем мы наблюдаем 20,4% данных ниже этих значений, а не теоретически 20%.

Мы усреднили ошибку покрытия всех дробей в течение прогнозируемого окна (5, 10 … дней) и сравнили результаты, полученные в результате базовых тестов и моделей ИИ.Наши модели глубокого обучения лучше.Мы готовы внедрить нашу модель в нашу стратегию.

Искусственный интеллект в ADDI

ADDI - это бета-нейтральный (бета ~0,1) и высоко-ливеринговый портфель, способный генерировать альфу в условиях понижения и падения рынка, с ограниченным чистым проникновением в рынок и низким уровнем риска.

В многоглавой части стратегии выбирают высококачественные и с небольшим отклонением от волатильности. Таким образом, оценка риска запасов является важной задачей в этом процессе. Оценка риска также является важной расчетной задачей в воздушном шаре, поскольку стратегия пытается избежать проектов с высоким или низким риском.

Мы можем измерить риски, используя исторические колебания для различных циклов вычислений в многоголосной и пустой части стратегии.

Для улучшения анализа риска ADDI мы тестируем алгоритмы глубинных нейронных сетей, которые были показаны ранее, вместо текущего процесса расчета риска.

Результаты

Испытание новой модели глубокого обучения на многоголовном и пустоголовом стратегиях, инвестирующих в компоненты индекса S&P 900, показало улучшение результатов как в отношении производительности, так и риска:

• Общая доходность показывает цифры выше, чем в оригинальной версии
• Снижение волатильности
• Повышение соотношения
• Снижение риска в отзывах и VaR
• Высокий рост роликов в течение одного года.

в заключение

В этой статье мы показываем пример модели высокотехнологичного алгоритма, используемой для улучшения стратегии количественного многопространственного торговли (ADDI). Мы рассказываем о том, как использовать нейронные сети для улучшения и более точного управления конкретными задачами в количественных инвестиционных продуктах, чтобы улучшить конечные результаты.

Но эта модель не только полезна, мы можем использовать этот алгоритм для различных других стратегий. Например, мы можем использовать его для выбора компаний с самым высоким коэффициентом Шарпа и даже для реализации стратегии торговли в паре.

В этом случае, если вы хотите, чтобы ваш бизнес был успешным, вы можете использовать его как инструмент для продвижения.