[PYTHON] J'ai essayé l'histoire courante de prédire la moyenne Nikkei à l'aide du Deep Learning (backtest)

modifier l'historique

** 14/8/2016: Ajout du résultat lorsque les signaux des trois méthodes sont synthétisés. ** ** ** 2016/8/14: Taux de victoire ajouté. ** **

Aperçu

La dernière fois (j'ai essayé l'histoire courante de l'utilisation du Deep Learning pour prédire la moyenne Nikkei), le retour des actions moyennes Nikkei la veille J'ai essayé de prédire la hausse et la baisse du cours moyen de l'action Nikkei le lendemain en utilisant. Cette fois, pour le moment, il s'agit d'un back-test de fonctionnement, j'ai donc essayé de simuler ce qui se passerait s'il était réellement exploité en utilisant le retour prévu.

Discramer

Comme mentionné la dernière fois, je ne suis pas responsable des dommages causés par l'opération réelle utilisant cette méthode.

Hypothèses opérationnelles

A l'origine, il faut considérer les frais, le temps qui peut être acheté et vendu, le chiffre d'affaires, etc., mais cette fois il est facile de "faire une prédiction au cours de clôture de la veille, prendre une décision d'achat et de vente momentanément, et momentanément la moyenne Nikkei Cela fait une hypothèse très irréaliste selon laquelle vous pouvez acheter ou vendre. (Eh bien, n'est-ce pas parce que le calcul est gênant?)

Le résumé est le suivant.

• "Acheter" pour une prévision de "hausse" sans aucune position
• Maintenez pour la prédiction «montée» tout en maintenant la position
• Si vous avez une position et que vous prévoyez "down", la position sera annulée.
• Ne rien faire pour les prédictions "down" sans position

Dernier résultat

Le résultat précédent était le suivant. J'ai essayé trois méthodes: Random Forest, Multilayer Perceptron (MLP) et Convolution Neural Network (CNN).

• Forêt aléatoire

• Perceptron multicouche (MLP)

• Réseau de neurones pliant

Du point de vue AUC, l'ordre est CNN> MLP> RF.

Backtest opérationnel

La période de backtest sera quotidienne de 2008 au plus tard. Le premier est 1 000 et chacun est indexé. (Axe gauche) Il montre également la différence par rapport à l'indice moyen Nikkei. (Axe droit)

Résultats de la simulation RF

Résultats de la simulation MLP

Résultats de la simulation CNN

Comparaison de trois méthodes

Résultats des signaux synthétiques de CNN, MLP, RF (Ajouté 2016/08/14)

CNN est la meilleure performance de modèle, alors synthétisons RF et MLP autour de cela. En tant qu'expression conditionnelle

signal = (Signal CNN) & (Signal RF|Signal MLP)

C'est comme ressentir. En d'autres termes, seulement si vous dites que le CNN monte et que les deux autres modèles montent, vous décidez que le signal final monte.

Diverses statistiques (ajoutées le 14 août 2016)

Le résultat est une synthèse> CNN> MLP> RF (en termes de risque / rendement). Même si la moyenne du Nikkei est Long Hold, c'est une victoire de 52%, il semble donc que la hausse et la baisse au cours de cette période soient légèrement plus proches de la tendance à la hausse. Cependant, parmi eux, toutes les méthodes sont supérieures à cela, et 56% pour la synthèse est un assez bon nombre.

Résumé

• Cela peut changer si vous modifiez la période de backtest, mais CNN semble être le meilleur en termes de performances.
• Puisque le résultat risque-retour est le même que l'ordre de AUC, il est possible que le résultat de l'opération soit meilleur si AUC peut être augmenté.
• CNN surfe sur la vague de l'avenomique en détectant rapidement et en évitant le ralentissement de l'amortisseur Lehman, mais ses performances ne sont pas bonnes dans la situation actuelle.
• Il peut être intéressant de regarder le comportement lorsque le rendement est grand, et inversement lorsque le négatif est grand.
• Les signaux synthétiques peuvent sentir un peu après coup, mais même s'ils sont réellement utilisés, il serait préférable d'avoir plusieurs modèles. (La magie d'Eva)