Trong bài viết này, chúng tôi sẽ sử dụng một thuật toán cao cấp để cải thiện một mô-đun trong chiến lược đầu tư dựa trên dữ liệu thay thế (ADDI), một chiến lược đầu tư tự động đa chiều nhằm đạt được kết quả ổn định không phù hợp với thị trường và có rủi ro rút lui hạn chế.

Chúng tôi đã phát triển một thuật toán, một mạng lưới thần kinh sâu được thiết kế riêng, để giảm thiểu rủi ro liên quan đến chiến lược đa không gian.

Tại sao lại sử dụng mạng thần kinh?

Hình ảnh

Đối vớiNhà đầu tư định lượngNhưng một trong những giai đoạn quan trọng nhất và thú vị nhất đang diễn ra, với vô số khả năng mở ra: Làm thế nào chúng ta có thể chuyển đổi dữ liệu này thành tín hiệu?

Chúng ta có thể chọn các phương pháp thống kê truyền thống để kiểm tra kỹ các giả định của chúng ta, hoặc khám phá các lĩnh vực thuật toán cao cấp như học máy và học sâu. Có lẽ niềm đam mê của một số lý thuyết kinh tế vĩ mô khiến bạn muốn nghiên cứu tính áp dụng của nó trong thị trường ngoại hối (FX).

Phương pháp ETS

Trong trường hợp của chúng tôi, chỉ có một nguyên tắc dẫn dắt trong việc chọn hướng nghiên cứu:Khả năng sáng tạo 。

Khi người ta nghĩ về một đống đá với tư tưởng về một nhà thờ, nó không còn là một đống đá nữa. Antoine de Saint-Exupéry

Nguyên tắc cơ bản đằng sau điều này rất đơn giản: nếu chúng ta không đổi mới, chúng ta sẽ không nổi bật và cơ hội thành công sẽ giảm. Do đó, cho dù chúng ta đang xây dựng chiến lược mới, dựa vào số liệu thống kê truyền thống hay liên quan đến việc lấy thông tin từ báo cáo tài chính của công ty, chúng tôi luôn cố gắng thực hiện nó bằng các phương pháp mới. Chúng tôi tạo ra các bài kiểm tra cụ thể cho các tình huống cụ thể, phát hiện các trường hợp bất thường trong báo cáo tài chính hoặc điều chỉnh mô hình của chúng tôi theo các vấn đề cụ thể.

Do đó, các mạng thần kinh đặc biệt hấp dẫn trong việc giải quyết các vấn đề cụ thể do khả năng thích ứng và linh hoạt của chúng, điều này giúp chúng tôi phát triển các công nghệ sáng tạo.

Như chúng ta đã thấy, có rất nhiều cách để sử dụng các kỹ thuật này. Tuy nhiên, chúng ta phải thận trọng, bởi vì không có công thức thần kỳ ở đây. Như bất kỳ nỗ lực nào, chúng ta nên luôn bắt đầu từ cơ sở, và đôi khi, sự hồi quy tuyến tính đơn giản có thể chứng minh rất hiệu quả.

Trở lại với chủ đề của ngày hôm nay, chúng ta sẽ sử dụng các tính năng mạnh mẽ của mạng thần kinh sâu để dự đoán rủi ro, sử dụng báo cáo tài chính và dữ liệu giá cả lịch sử như đầu vào.

Mô hình của chúng tôi

Mặc dù vậy, chúng tôi sẽ đánh giá hiệu suất của mô hình bằng cách so sánh với các phương pháp đơn giản hơn như tỷ lệ biến động lịch sử.

Trước khi chúng ta đi sâu hơn, giả sử chúng ta đã quen thuộc với một số khái niệm quan trọng của mạng nơron và cách chúng ta sử dụng chúng để suy ra phân bố đầu ra dự đoán.

Ngoài ra, cho mục đích của ngày hôm nay, chúng tôi sẽ chỉ tập trung vào việc cải thiện các chỉ số của chúng tôi và kết quả của việc áp dụng chúng cho chiến lược đầu tư.

Do đó, trong bài viết tiếp theo về sự không chắc chắn của dữ liệu chuỗi thời gian đo lường, chúng tôi sẽ cố gắng ước tính rủi ro của công ty bằng cách dự đoán số phân số của lợi nhuận giá dự kiến trong các khoảng thời gian khác nhau trong tương lai, trong ví dụ của chúng tôi, khoảng thời gian là 5 ngày đến 90 ngày.

Dưới đây là một ví dụ về cách dự đoán phân số trong tương lai của các khoảng thời gian khác nhau sau khi huấn luyện mô hình: (màu xanh). Các phân số dự đoán càng rộng, rủi ro đầu tư của chúng tôi càng lớn. Màu tím là những gì thực sự xảy ra sau khi đưa ra dự đoán.

Đánh giá mô hình của chúng tôi

Như đã đề cập ở trên, trước khi sử dụng mô hình của chúng tôi trong chiến lược của chúng tôi, chúng tôi sẽ so sánh dự đoán của nó với dự đoán thu được bằng cách sử dụng chuyển đổi đơn giản của tỷ lệ biến động trong quá khứ. Liệu chuyển đổi đơn giản của tỷ lệ biến động trong quá khứ có tốt hơn thuật toán phức tạp không?

Để đánh giá mô hình và chuẩn của chúng tôi, chúng tôi so sánh dự báo phân số của chúng với lợi nhuận được quan sát. Ví dụ, trong tất cả các dự đoán của chúng tôi về phân số 0,9, chúng tôi dự đoán rằng, trung bình, có 90% khả năng lợi nhuận giá thấp hơn dự báo phân số này.

Đây là những gì chúng tôi đã cố gắng đánh giá trong biểu đồ dưới đây ((tất cả các kết quả được hiển thị đều đến từ các nhóm thử nghiệm)). Trong biểu đồ bên trái, chúng ta có thể so sánh tỷ lệ phủ sóng lý thuyết và tỷ lệ phủ sóng thực tế.Sai lầm về mức độ phủ sóngVí dụ, đối với phân số 0.2, độ sai lệch bao phủ gần 0.4%, có nghĩa là trung bình chúng ta quan sát thấy 20.4% dữ liệu dưới các giá trị này, thay vì 20% theo lý thuyết.

Chúng tôi đã tính trung bình tất cả các sai số bao phủ theo cửa sổ dự đoán (5, 10 … ngày) và so sánh kết quả từ các thử nghiệm chuẩn và mô hình AI.Mô hình học tập sâu của chúng tôi đã làm tốt hơn.Chúng tôi sẽ đưa mô hình này vào chiến lược của chúng tôi.

Trí thông minh nhân tạo trong ADDI

ADDI là một danh mục đầu tư có độ đòn bẩy trung tính beta (giá beta ~ 0.1), có khả năng tạo ra alpha trong trường hợp thị trường giảm và thị trường lạc quan, với lỗ hổng ròng giới hạn đối với thị trường và rủi ro thấp.

Phần đa đầu của chiến lược này chọn chất lượng cao và có độ lệch biến động nhỏ. Do đó, đánh giá rủi ro hàng tồn kho là một nhiệm vụ quan trọng trong quá trình này. Trong không đầu, đánh giá rủi ro cũng là một tính toán quan trọng vì chiến lược này cố gắng tránh các dự án có rủi ro rất cao hoặc rủi ro rất thấp.

Chúng ta có thể đo lường rủi ro bằng các biến động lịch sử của các chu kỳ tính toán khác nhau trong các phần đa đầu và không đầu của chiến lược.

Để cải thiện phân tích rủi ro của ADDI, chúng tôi sẽ thử nghiệm các thuật toán mạng thần kinh sâu được hiển thị trước đây để thay thế quá trình tính toán rủi ro hiện tại.

Kết quả

Việc thử nghiệm mô hình học sâu mới trên chiến lược đầu tư vào các thành phần của chỉ số S&P 900 với nhiều đầu gạch trống cho thấy kết quả về cả hiệu suất và rủi ro đều tốt hơn:

• Tổng lợi nhuận cho thấy con số cao hơn so với phiên bản gốc
• Sự biến động giảm
• Tăng tỷ lệ Sharpe
• Giảm rủi ro về rút lui và VaR
• Tăng trưởng cao nhất trong vòng 1 năm.

kết luận

Trong bài viết này, chúng tôi đã giới thiệu một ví dụ về mô hình thuật toán cao cấp được sử dụng để cải thiện chiến lược định lượng đa không gian giao dịch (ADDI). Chúng tôi đã giới thiệu cách sử dụng mạng thần kinh để cải thiện và quản lý chính xác hơn các nhiệm vụ cụ thể trong sản phẩm đầu tư định lượng để cải thiện kết quả cuối cùng.

Tuy nhiên, mô hình này có nhiều tính năng hơn thế, chúng ta có thể sử dụng nó cho nhiều chiến lược khác nhau. Ví dụ, chúng ta có thể sử dụng nó để chọn các công ty có tỷ lệ Sharpe cao nhất, hoặc thậm chí để thực hiện chiến lược giao dịch cặp. Bạn có thể nghĩ về các chiến lược khác không?

Các nhà nghiên cứu cho rằng các chiến lược ngắn hạn có thể có tác dụng tốt hơn trong các trường hợp khác nhau.