Redes de impulso profundo con la dinámica de la tendencia del mercado

Área de la Ciencia:

• Las finanzas cuantitativas
• Aprendizaje automático en finanzas
• Comercio algorítmico

Sus antecedentes:

• Las estrategias de impulso de series temporales (TSMOM) se basan en la persistencia de la tendencia de retorno.
• Las redes de memoria larga a corto plazo (LSTM) pueden mejorar el TSMOM, pero luchan con los cambios de tendencia del mercado.

Objetivo del estudio:

• Mejorar el rendimiento de TSMOM durante cambios significativos en las tendencias del mercado.
• Desarrollar un modelo que incorpore la dinámica del mercado para mejorar las decisiones comerciales.

Principales métodos:

• Combinación de señales a corto y largo plazo en una representación del estado del mercado utilizando el aprendizaje supervisado.
• Las puntuaciones de predicción dinámica de la tendencia del mercado (MTDP) generadas mediante el incremento del gradiente extremo (XGBoost).
• Las puntuaciones MTDP aplicadas dentro de una estrategia de negociación basada en LSTM.

Principales resultados:

• Las pruebas posteriores en 99 futuros (1995-2021) mostraron que la integración de la puntuación MTDP mejoró la relación Sharpe.
• Una ventana de impulso de 8 semanas excedió en los períodos estables (1995-2019).
• Una ventana de 20 semanas demostró un rendimiento superior y una recuperación más rápida durante las crisis extremas (por ejemplo, COVID-19).

Conclusiones:

• La integración de información sobre el estado del mercado (puntuaciones MTDP) mejora efectivamente las estrategias TSMOM.
• El ajuste dinámico de las ventanas retrospectivas de impulso es crucial para una rentabilidad constante en mercados volátiles.