Оптимизация портфеля методом машинного зрения

Адамян Гарик Левонович


	1		Риски и технологии Введение
	2		Обзор литературы
	3		Автокодировщик Методология
	4		Рис. 1. Общий обзор метода
	5		Кластеризация Рис. 2. Архитектура автокодировщика
	6		Результаты Данные Формирование портфеля Визуализация и выбор параметров
	7		Рис. 3. Результаты тренировки автокодировщика
	8		Рис. 4. Восстановление входных данных с помощью автокодировщика на двух разных отрезках временных рядов Заключение
	9		Рис. 5. Кластеризация маркета Таблица 1. Топ-5 результатов для метрики «Коэффициент Шарпа» Таблица 2. Топ-5 результатов для метрики «Общий доход»
	10		Рис. 6. Графики кумулятивных доходов за время тестирования Литература

Ключевые слова: оптимизация портфеля, машинное зрение, «японские свечи», сверточные нейронные сети

Аннотация

Статья посвящена применению методов машинного зрения для оптимизации инвестиционных портфелей. Автор рассматривает метод сверточных нейронных сетей и алгоритмов кластеризации, приводит оптимальные параметры метода для портфелей, построенных на основе ценных бумаг российских эмитентов.

Журнал: «Менеджмент инноваций» — №1, 2022 (© Издательский дом Гребенников)

Объем в страницах: 11

Библиографическая ссылка: печать / интернет

* Деятельность Meta (соцсети Facebook и Instagram) запрещена в России как экстремистская.

1. Cohen N., Balch T., Veloso M. (2020). Trading via Image Classification. — Подробнее .

2. Fahling E., Elmar S., Sven S. (2019). «Active vs. passive funds — an empirical analysis of the German equity market». Journal of Financial Risk Management, Vol. 8, pp. 73–91.

3. Fama E.F., French K.R. (2010). «Luck versus skill in the cross-section of mutual fund returns». The Journal of Finance, Vol. 65, pp. 1915–1947.

4. Fuller R.J., Han B., Tung Y. (2010). «Thinking about indices and «passive» versus active management». The Journal of Portfolio Management, Vol. 36, pp. 35–47.

5. Hinton G.E., Salakhutdinov R.R. (2006). «Reducing the dimensionality of data with neural networks». Science, Vol. 313(5786), pp. 504–507.

6. Hu G., Hu Y. et. аll. (2018). «Deep stock representation learning: from candlestick charts to investment decisions». Processings of 2018 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Calgary: IEEE.

7. Krizhevsky A., Sutskever I., Hinton G.E. (2012). Imagenet Classification with Deep Convolutional Neural Networks. — Подробнее .

8. LaValle S.M., Branicky M.S., Lindemann S.R. (2004). On the Relationship between Classical Grid Search and Probabilistic Roadmaps. — Подробнее .

9. LeCun Y., Bengio Y., Hinton G. (2015). «Deep learning». Nature, Vol. 521(7553), pp. 436–444.

10. Lin M., Chen Q., Yan S. (2014). Network in Network. — Подробнее .

11. Markowits H.M. (1952). «Portfolio selection». Journal of Finance, Vol. 7(1), pp. 71–91.

12. Newman M.E.J. (2006). «Modularity and community structure in networks». Proceedings of the National Academy of Sciences, Vol. 103(23), pp. 8577–8582.

13. Philips C.B., Kinniry F.M. Jr., Walker D. (2014). The Active-Passive Debate: Market Cyclicality and Leadership Volatility. — Подробнее .

14. Schädler T. (2018). «Measuring irrationality in financial markets». Archives of Business Research, Vol. 6, pp. 252–259.

15. Sharpe W.F. (1994). The Sharpe Ratio. — Подробнее .

16. Simonyan K., Zisserman A. (2014). Very Deep Convolutional Networks for Large-Scale Image Recognition. — Подробнее .

17. Velay M., Daniel F. (2018). Stock Chart Pattern Recognition with Deep Learning. — Подробнее .

18. Wang Zh., Oates T. (2015). Imaging Time-Series to Improve Classification and Imputation. — Подробнее .

Адамян Гарик Левонович

Руководитель исследований финансовых рынков компании Labz.ai, преподаватель магистерской программы «Наука о данных в бизнесе» Ереванского государственного университета (ЕГУ).

г. Ереван, Армения

Другие статьи автора 2

Электронная библиотека