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

要約

この論文は、金融市場が金融混乱の影響を受けた場合に、リスク資産のポートフォリオをヘッジするための新しいアプローチを提案します。
私たちは、単一資産のレベルではなく、これらの資産の価格に基づいて構築されたアンサンブル・アルゴリズム投資戦略（AIS）のレベルでの多様化活動に対する全く新しいアプローチを導入します。
当社では、4 種類の多様な理論モデル (LSTM – 長短期記憶、ARIMA-GARCH – 自己回帰統合移動平均 – 一般化自己回帰条件付き不均一分散性、モメンタム、および逆張り) を使用して価格予測を生成し、その後、これらのモデルを使用して投資シグナルを生成します。
単一および複雑な AIS。
このようにして、AIS が株式指数 (S&P 500 指数) 向けに構築したヘッジアンサンブルにおけるさまざまな資産 (エネルギー商品、貴金属、暗号通貨、またはソフト商品) で構成されるさまざまなタイプの投資戦略の多様化の可能性を検証することができます。
この研究で使用された実証データは、2004 年から 2022 年までの期間をカバーしています。私たちの主な結論は、LSTM ベースの戦略が他のモデルよりも優れており、S&P 500 指数用に構築された AIS の最適な分散手段はビットコイン用に構築された AIS であるということです。
最後に、より高い頻度のデータ (1 時間) に対して LSTM モデルをテストします。
この結果は、毎日のデータを使用して得られた結果よりも優れていると結論付けられます。

要約(オリジナル)

This paper proposes a novel approach to hedging portfolios of risky assets when financial markets are affected by financial turmoils. We introduce a completely novel approach to diversification activity not on the level of single assets but on the level of ensemble algorithmic investment strategies (AIS) built based on the prices of these assets. We employ four types of diverse theoretical models (LSTM – Long Short-Term Memory, ARIMA-GARCH – Autoregressive Integrated Moving Average – Generalized Autoregressive Conditional Heteroskedasticity, momentum, and contrarian) to generate price forecasts, which are then used to produce investment signals in single and complex AIS. In such a way, we are able to verify the diversification potential of different types of investment strategies consisting of various assets (energy commodities, precious metals, cryptocurrencies, or soft commodities) in hedging ensemble AIS built for equity indices (S&P 500 index). Empirical data used in this study cover the period between 2004 and 2022. Our main conclusion is that LSTM-based strategies outperform the other models and that the best diversifier for the AIS built for the S&P 500 index is the AIS built for Bitcoin. Finally, we test the LSTM model for a higher frequency of data (1 hour). We conclude that it outperforms the results obtained using daily data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google