AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks

要約

クオンツファイナンスでは、アルファ生成には機械学習手法が不可欠です。
この研究では、隠れマルコフ モデル (HMM) とニューラル ネットワークを組み合わせ、ブラック リッターマン ポートフォリオ最適化と統合された新しいアプローチを導入します。
新型コロナウイルス感染症の期間中（2019年から2022年）、このデュアルモデルのアプローチはシャープレシオ0.992で97%のリターンを達成しました。
リスク管理を強化するために 2 つのリスク モデルが組み込まれており、変動期間中の効率性を示します。
この方法論は、堅牢なフレームワークと実験の再現性のために選ばれた QuantConnect プラットフォームに実装されました。
将来の価格変動を予測するこのシステムには、アルゴリズムが適切に機能することを保証するために 3 年間のウォームアップが含まれています。
ブローカーへの支払いも考慮しながら、安定した予測可能なパフォーマンスを確保するために、流動性の高い大型エネルギー株をターゲットにしています。
デュアル モデル アルファ システムは、ログ リターンを利用して、過去のパフォーマンスに基づいて最適な状態を選択します。
状態予測と履歴データに基づくニューラル ネットワーク出力を組み合わせて、取引シグナルを生成します。
この調査では、取引システムのアーキテクチャ、データの前処理、トレーニング、およびパフォーマンスを調査しました。
完全なコードとバックテスト データは、MIT ライセンスに基づいて入手できます。

要約(オリジナル)

In quantitative finance, machine learning methods are essential for alpha generation. This study introduces a new approach that combines Hidden Markov Models (HMM) and neural networks, integrated with Black-Litterman portfolio optimization. During the COVID period (2019-2022), this dual-model approach achieved a 97% return with a Sharpe ratio of 0.992. It incorporates two risk models to enhance risk management, showing efficiency during volatile periods. The methodology was implemented on the QuantConnect platform, which was chosen for its robust framework and experimental reproducibility. The system, which predicts future price movements, includes a three-year warm-up to ensure proper algorithm function. It targets highly liquid, large-cap energy stocks to ensure stable and predictable performance while also considering broker payments. The dual-model alpha system utilizes log returns to select the optimal state based on the historical performance. It combines state predictions with neural network outputs, which are based on historical data, to generate trading signals. This study examined the architecture of the trading system, data pre-processing, training, and performance. The full code and backtesting data are available under the MIT license.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google