本论文提出一个融合EMA/MACD趋势跟踪、RSI/Bollinger均值回复、FinBERT情绪过滤与XGBoost方向预测的混合AI交易框架,以市场情绪与波动率驱动动态仓位管理并进行回测验证;系统在2023–2025两年回测期内将初始10万美元放大至$235,492.83,总回报135.49%,年化CAGR 53.46%,Sharpe 1.68且最大回撤仅-15.6%,显示出较被动指数和基线规则策略更强的风险调整后收益表现
| Metric | Hybrid Strategy | Baseline Strategy |
|---|---|---|
| Final Portfolio Value ($) | 235,492.83 | 108,643.27 |
| Market Value of Positions ($) | 166,042.01 | 29,184.72 |
| Cash Balance ($) | 69,450.82 | 79,458.55 |
| Total Return (%) | 135.49 | 8.64 |
| CAGR (%) | 53.46 | 4.23 |
| Max Drawdown (%) | -15.6 | -19.84 |
| Sharpe Ratio | 1.68 | 0.48 |
| Win Ratio (%) | 61.5 | 53.40 |
| Avg Holding Period (days) | 5.8 | 11.4 |
元数据与概览(引言与报告概览)
逐节深度解读
(在此处展示并解析图表)
图表与表格逐一深度解读(关键表/图)
Fig.1(page 2): Apple 股价与 EMA50/EMA200,MACD 与 Signal,RSI,Bollinger Bands 四联图。图示表明在所示区间中价格与 EMA 的关系、MACD 波动、RSI 的超买/超卖历程以及 Bollinger 带宽的波动收敛/扩张。作者用此图说明传统技术指标如何捕捉趋势/震荡与波动阶段,从而支持混合策略中“在不同 market regimes 使用不同信号”的设计理念。
Fig.2(系统模块流程图,page 5): 表示数据 (yfinance/Alpha Vantage) → Data Acquisition → Feature Engineering → (一方面)Market Regime Detection → ML Module;(另一方面)Sentiment Module → Strategy Execution → Cloud/AWS/Alpaca。该图清晰映射了“情绪为过滤器、regime 为开关、ML 为预测器、技术指标为加权条目”的工程流,验证报告中对架构化模块化实现的描述。
表格(Experiment 1,page 8,Table I): Hybrid vs Baseline 的比较表(关键数字):FinalPortfolioValue: Hybrid 235,492.83vsBaseline108,643.27;Total Return 135.49% vs 8.64%;CAGR 53.46% vs 4.23%;Max Drawdown -15.6% vs -19.84%;Sharpe 1.68 vs 0.48;Win Ratio 61.5% vs 53.4%;Avg Holding Period 5.8d vs 11.4d。
表格(Experiment 2,page 8 与 Fig.4 page 9): 与市场指数比较:Hybrid Final 235,492.83(135.49192,071.58 (92.07%);S&P500 153,187.39(53.18128,349.17 (28.35%)。图 4 在柱状图中直观展示了该超额收益。,
估值/收益预测方法(若适用)
风险因素评估(报告内识别与补充)
批判性视角与方法学细微差别(审慎提示)
对作者结论的客观评价与可改进建议
结论性综合(总结关键发现)
参考(基于报告的未来方向)
(如需我可进一步)
2601.19504.pdf