Hedging Properties of Algorithmic Investment Strategies Using Long Short-Term Memory and Time Series Models for Equity Indices

W niniejszym artykule proponujemy nowatorskie podejście do hedgingu portfeli ryzykownych aktywów w okresach zawirowań na rynkach finansowych. Wprowadzamy nowe podejście do dywersyfikacji na poziomie zespołowych algorytmicznych strategii inwestycyjnych (AIS) opartych na cenach tych aktywów. Stosujemy cztery różne typy modeli (LSTM, ARIMA-GARCH, momentum, contrarian) do generowania prognoz cenowych, wykorzystywanych następnie do produkcji sygnałów inwestycyjnych w prostych i złożonych strategiach AIS. Badamy potencjał dywersyfikacyjny różnych typów strategii inwestycyjnych obejmujących rozmaite klasy aktywów w kontekście hedgingu zespołowych AIS dla indeksów giełdowych (S&P 500). Wnioski wskazują, że strategie oparte na LSTM osiągają lepsze wyniki od pozostałych modeli, a najskuteczniejszym dywersyfikatorem dla strategii AIS opartej na indeksie S&P 500 jest strategia AIS oparta na Bitcoinie. Dodatkowo testujemy model LSTM na danych godzinowych, stwierdzając, że osiąga lepsze rezultaty niż przy wykorzystaniu danych dziennych.

Autorzy: Jakub Michańków, Paweł Sakowski, Robert Ślepaczuk

Data publikacji: 09 September 2024

Czasopismo: ISD2024 Proceedings

DOI: 10.62036/ISD.2024.57

Link: Zobacz publikację

Słowa kluczowe: uczenie głębokie, sieci neuronowe, LSTM, algorytmiczne strategie inwestycyjne