Sep, 2023
使用长短期记忆和时间序列模型进行算法投资策略的对冲特性研究（专业简体中文）
Hedging Properties of Algorithmic Investment Strategies using Long
Short-Term Memory and Time Series models for Equity Indices
TL;DR该论文提出了一种新颖的方法来对冒险资产组合进行对冲，当金融市场受到金融动荡的影响时。我们引入了一种完全新颖的方法，通过基于这些资产价格的集合算法投资策略（AIS）的层面而不是单个资产的层面，来进行多样化活动。我们采用四种不同的理论模型（LSTM - 长短期记忆，ARIMA-GARCH - 自回归移动平均 - 广义自回归条件异方差，动量和逆势）来生成价格预测，然后将其用于产生单个和复杂的AIS投资信号。通过这种方式，我们能够验证由各种资产（能源商品、贵金属、加密货币或软商品）组成的不同类型的投资策略在对冲组成的用于股票指数（标普500指数）的集合AIS中的多样化潜力。本研究使用的实证数据涵盖了2004年至2022年的时期。我们的主要结论是基于LSTM的策略优于其他模型，并且对于为标普500指数构建的AIS来说，最好的多样化方法是为比特币构建的AIS。最后，我们对LSTM模型在更高频率的数据（1小时）进行了测试。我们得出结论，它的表现优于使用日常数据获得的结果。