الشبكات العصبية العميقة لزخم السلاسل الزمنية وتحديد أحجام المراكز

الملخص

تعرض الورقة شبكات الزخم العميقة، التي تجمع التعلم العميق بإطار تحجيم التقلب المستخدم في زخم السلاسل الزمنية. وتتعلم شبكة عصبية تقديرات الاتجاه وأحجام المراكز معاً، مع تدريب معلماتها لتحسين نسبة شارب للإشارة. وهذا يلغي الحاجة إلى تحديد هذين المكونين يدوياً وبشكل منفصل.

تفيد اختبارات تاريخية على 88 عقداً آجلاً مستمراً بأن نسخة قائمة على LSTM حققت أكثر من ضعف نسبة شارب للطرق التقليدية قبل تكاليف المعاملات، واستمرت في التفوق مع تكاليف تصل إلى 2–3 نقاط أساس. ويضيف المؤلفون أيضاً تنظيماً لدوران التداول كي يراعي التدريب تكاليف التداول، بما في ذلك للأصول الأقل سيولة. وتقتصر الأدلة على الاختبارات التاريخية المُبلغ عنها؛ ولا يحدد الملخص فترة التقييم أو تفاصيل معيار المقارنة أو ما إذا كانت النتائج تنطبق خارج العقود وافتراضات التكلفة المختبرة.

الأفكار الرئيسية

• تتعلم الشبكة تقدير الاتجاه وتحديد أحجام المراكز معاً ضمن إطار زخم يُحجّم وفق التقلب.
• يحسّن التدريب مباشرةً نسبة شارب لإشارة التداول الناتجة.
• تفيد الاختبارات التاريخية على 88 عقداً آجلاً مستمراً بتحسن نسب شارب مقارنة بالطرق التقليدية.
• يتيح حد تنظيم دوران التداول للنموذج مراعاة تكاليف التداول أثناء التدريب.

الوسوم

# Enhancing Time Series Momentum Strategies Using Deep Neural Networks


# Enhancing Time Series Momentum Strategies Using Deep Neural Networks









While time series momentum is a well-studied phenomenon in finance, common strategies require the explicit definition of both a trend estimator and a position sizing rule. In this paper, we introduce Deep Momentum Networks -- a hybrid approach which injects deep learning based trading rules into the volatility scaling framework of time series momentum. The model also simultaneously learns both trend estimation and position sizing in a data-driven manner, with networks directly trained by optimising the Sharpe ratio of the signal. Backtesting on a portfolio of 88 continuous futures contracts, we demonstrate that the Sharpe-optimised LSTM improved traditional methods by more than two times in the absence of transactions costs, and continue outperforming when considering transaction costs up to 2-3 basis points. To account for more illiquid assets, we also propose a turnover regularisation term which trains the network to factor in costs at run-time.

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.