LSTM-ARIMA作为算法投资策略中的混合方法

本研究专注于构建一种算法投资策略，该策略采用了一种结合LSTM和ARIMA模型的混合方法，称为LSTM-ARIMA。这种独特的算法使用LSTM进行最终预测，但通过将ARIMA预测的残差作为其他输入添加到该RNN中来提升其结果。该算法使用2000年1月至2023年8月的日频数据，在三个股票指数（S&P 500、FTSE 100和CAC 40）上进行了测试。测试架构基于滚动前进程序，用于使用随机搜索的超参数调优阶段和算法的回测。最优模型的选择基于适当选择的、侧重于风险调整后收益指标的性能指标。我们为每种算法考虑了两种策略：仅多头和多空，以呈现具有不同投资政策限制的两类不同投资者的情形。对于每种策略和股票指数，我们计算了性能指标并可视化了权益曲线，以识别具有最高修正信息比率的最佳策略。研究结果得出结论，LSTM-ARIMA算法在所有股票指数上均优于所有其他算法，这证实了混合机器学习-时间序列模型在寻求最优算法投资策略方面的巨大潜力。