شبكة عصبية لتبدل الأنظمة وزخم الأسهم وارتدادها
الملخص
تصف الورقة نهجًا للتعلم العميق لاختيار المحافظ في أسهم US. وتستخدم شبكة التبديل المتبقية وحدة لتحديد ظروف السوق وأخرى لإنتاج توقعات الزخم والارتداد، مع التبديل بين نوعي الإشارات عند تغير الأنظمة. وتجمع البنية بين الشبكات المتبقية وكتل متراكبة يُراد بها المساعدة على الحد من فرط المواءمة في البيانات المالية المشوشة، وآلية انتباه يُراد بها تعزيز التنبؤ.
للفترة من 2008 حتى النصف الأول من 2017، يذكر المؤلفون أن متوسط نسبة شارب السنوية للاستراتيجية المقترحة بلغ 2.22، مقارنةً بـ 0.81 لاستراتيجية الشبكة العصبية الاصطناعية و0.69 للنموذج الخطي. وهذه نتائج الاختبار خارج العينة المذكورة؛ ولا يقدم المقتطف تفاصيل عن إنشاء المحفظة أو تكاليف التداول أو تنفيذ خط الأساس أو المتانة عبر فترات وأسواق أخرى. لذلك تصف الأرقام الحالة التي اختبرتها الدراسة ولا تثبت أن الطريقة ستحافظ على أدائها في التداول الفعلي أو في ظروف مختلفة.
الأفكار الرئيسية
- تستخدم الشبكة وحدة تبديل لتحديد أنظمة السوق ووحدة مستقلة للتنبؤ بالزخم أو الارتداد.
- تُستخدم الكتل المتبقية للمساعدة في الحد من فرط المواءمة في البيانات المالية المشوشة.
- يذكر المؤلفون أداءً أقوى وفق نسبة شارب خارج العينة مقارنة بنموذجي خط أساس خلال العينة المحددة.
- لا يصف المقتطف تكاليف التداول أو الأداء خارج الفترة المختبرة.
الوسوم
النص الكامل
# Residual Switching Network for Portfolio Optimization # Residual Switching Network for Portfolio Optimization This paper studies deep learning methodologies for portfolio optimization in the US equities market. We present a novel residual switching network that can automatically sense changes in market regimes and switch between momentum and reversal predictors accordingly. The residual switching network architecture combines two separate residual networks (ResNets), namely a switching module that learns stock market conditions, and the main module that learns momentum and reversal predictors. We demonstrate that over-fitting noisy financial data can be controlled with stacked residual blocks and further incorporating the attention mechanism can enhance powerful predictive properties. Over the period 2008 to H12017, the residual switching network (Switching-ResNet) strategy verified superior out-of-sample performance with an average annual Sharpe ratio of 2.22, compared with an average annual Sharpe ratio of 0.81 for the ANN-based strategy and 0.69 for the linear model.
يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0
أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.