AI 驱动的能源算法交易：将隐含马尔可夫模型与神经网络集成
投资组合管理
2025-11-18 v7 机器学习
综合金融
应用统计
摘要
在定量金融中，机器学习方法对于 alpha 生成至关重要。本研究引入了一种新方法，将隐含马尔可夫模型 (HMM) 和神经网络结合，并集成到黑-赖特林投资组合优化中。在疫情期间 (2019-2022)，该双模型方法实现了 83% 的收益，年化夏普比率为 0.77。它包含两种风险模型以增强风险管理，显示出在波动期的高效性。该方法在 QuantConnect 平台上实现，选择该平台是因为其稳健的框架和实验可重复性。该系统预测未来的价格走势，包括三年的热身以确保算法正常运行。它针对高度流动的大型能源股票，以确保稳定和可预测的性能，同时也考虑了经纪商的付款。双模型 alpha 系统利用对数收益率选择最优状态基于历史绩效。它将状态预测与神经网络输出结合起来，这些输出基于历史数据生成交易信号。本研究检查了交易系统的架构、数据预处理、训练和性能。完整的代码和回测数据均在 QuantConnect 条款下可用：https://github.com/tiagomonteiro0715/AI-Powered-Energy-Algorithmic-Trading-Integrating-Hidden-Markov-Models-with-Neural-Networks
引用
@article{arxiv.2407.19858,
title = {AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks},
author = {Tiago Monteiro},
journal= {arXiv preprint arXiv:2407.19858},
year = {2025}
}
备注
25 pages, 4 figures, 2 tables