Predicting Mutual Funds’ Performance using Deep Learning and Ensemble Techniques

要約

ファンドのパフォーマンスを予測することは、投資家とファンドマネージャーの両方にとって有益ですが、同時に困難な作業でもあります。
この論文では、深層学習モデルが従来の統計手法よりも正確にファンドのパフォーマンスを予測できるかどうかをテストしました。
ファンドのパフォーマンスは通常、ファンド全体で意味のある比較可能性を確保するためにリスク調整後のパフォーマンスを表すシャープレシオによって評価されます。
当社は、米国の上場大型株に投資する 600 以上のオープンエンド投資信託の月次収益時系列データに基づいて年率シャープ レシオを計算しました。
私たちは、最新のベイズ最適化で訓練された長期短期記憶 (LSTM) およびゲート反復型ユニット (GRU) の深層学習手法が、従来の統計手法よりもファンドのシャープ レシオの予測精度が高いことを発見しました。
LSTM と GRU からの予測を組み合わせたアンサンブル手法により、すべてのモデルの最高のパフォーマンスが実現します。
ディープラーニングとアンサンブルが、ファンドのパフォーマンス予測の課題に対処する有望なソリューションを提供するという証拠があります。

要約(オリジナル)

Predicting fund performance is beneficial to both investors and fund managers, and yet is a challenging task. In this paper, we have tested whether deep learning models can predict fund performance more accurately than traditional statistical techniques. Fund performance is typically evaluated by the Sharpe ratio, which represents the risk-adjusted performance to ensure meaningful comparability across funds. We calculated the annualised Sharpe ratios based on the monthly returns time series data for more than 600 open-end mutual funds investing in listed large-cap equities in the United States. We find that long short-term memory (LSTM) and gated recurrent units (GRUs) deep learning methods, both trained with modern Bayesian optimization, provide higher accuracy in forecasting funds’ Sharpe ratios than traditional statistical ones. An ensemble method, which combines forecasts from LSTM and GRUs, achieves the best performance of all models. There is evidence to say that deep learning and ensembling offer promising solutions in addressing the challenge of fund performance forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google