AI-Powered Energy Algorithmic Trading: Integrating Hidden Markov Models with Neural Networks
Tiago Monteiro
在定量金融中,机器学习方法对于阿尔法生成至关重要。 这项研究引入了一种新的方法,将隐藏的马尔可夫模型(HMM)和神经网络相结合,与Black-Litterman组合优化相结合。 在COVID期间(2019-2022),这种双模方法实现了83%的回报率,夏普比率为0.77。 它包含两个风险模型,以加强风险管理,显示波动期间的效率。 该方法在QuantConnect平台上实施,该平台因其强大的框架和实验性可重复性而被选中。 该系统预测未来的价格走势,包括三年的热身,以确保适当的算法功能。 它的目标是高流动性,大盘能源库存,以确保稳定和可预测的表现,同时也考虑经纪人付款。 双模 alpha 系统利用日志返回,根据历史性能选择最佳状态。 它将状态预测与基于历史数据的神经网络输出相结合,以产生交易信号。 这项研究研究了交易系统的架构,数据预处理,培训和性能。 完整的代码和后测试数据可在 QuantConnect 条款下获得:https://github.com/tiagomonteiro0715/AI-Powered-Energy-Algorithmic-Trading-Integrating-Hiden-Markov-Models-with-Neural-Networks
In quantitative finance, machine learning methods are essential for alpha generation. This study introduces a new approach that combines Hidden Markov Models (HMM) and neural networks, integrated with Black-Litterman portfolio optimization. During the COVID period (2019-2022), this dual-model approach achieved a 83% return with a Sharpe ratio of 0.77. It incorporates two risk models to enhance risk management, showing efficiency during volatile periods. The methodology was implemented on the Qua...