شبكات إنسبشن متعددة العوامل لتداول محافظ العملات المشفرة

الملخص

تعرض هذه الورقة شبكات إنسبشن متعددة العوامل (MFIN)، وهي إطار لتداول عدة عملات مشفرة باستخدام عوائد الأسعار وإشارات أخرى متجددة باستمرار. وتبرر إضافة عوامل مثل معدل تجزئة الشبكة واهتمام البحث لمعالجة قصر السجل التاريخي المتاح لأصول العملات المشفرة. وتوسع MFIN شبكات الإنسبشن العميقة لمعالجة عوامل وأصول متعددة معاً.

يتعلم النموذج تمثيلات من العوائد وينتج أحجام مراكز المحفظة بهدف تعظيم نسبة شارب. وتقارن الورقة نتائجه باستراتيجيات الزخم والارتداد إلى المتوسط القائمة على قواعد، وتفيد بأن MFIN تنتج استراتيجية ذات نسبة شارب أعلى وارتباط أقل، تختلف عن العوامل التقليدية المصممة يدوياً. كما تفيد باستمرار العوائد في 2022–2023، حين كان أداء الاستراتيجيات المقارنة وسوق العملات المشفرة الأوسع ضعيفاً. ولا يقدم المقتطف إعداداً تجريبياً مفصلاً أو مقاييس أداء رقمية أو تحليلاً لتكاليف المعاملات، لذا لا يكفي لتقييم المتانة أو الجدوى العملية للتداول.

الأفكار الرئيسية

• توسع MFIN شبكات الإنسبشن العميقة للتعامل مع أصول وعوامل متعددة ضمن إطار تداول واحد.
• يستند النهج إلى توفر مقاييس متجددة باستمرار للعملات المشفرة وقصر السجل التاريخي لكثير من الأصول.
• يتعلم النموذج من العوائد ويختار أحجام مراكز المحفظة لتحسين نسبة شارب.
• تفيد الورقة بأن استراتيجيتها أقل ارتباطاً بنهجي الزخم والارتداد إلى المتوسط القائمين على قواعد.
• يدعي المقتطف استمرار العوائد في 2022–2023، لكنه لا يقدم أرقاماً أو تفاصيل تنفيذية.

الوسوم

# Multi-Factor Inception: What to Do with All of These Features?


# Multi-Factor Inception: What to Do with All of These Features?









Cryptocurrency trading represents a nascent field of research, with growing adoption in industry. Aided by its decentralised nature, many metrics describing cryptocurrencies are accessible with a simple Google search and update frequently, usually at least on a daily basis. This presents a promising opportunity for data-driven systematic trading research, where limited historical data can be augmented with additional features, such as hashrate or Google Trends. However, one question naturally arises: how to effectively select and process these features? In this paper, we introduce Multi-Factor Inception Networks (MFIN), an end-to-end framework for systematic trading with multiple assets and factors. MFINs extend Deep Inception Networks (DIN) to operate in a multi-factor context. Similar to DINs, MFIN models automatically learn features from returns data and output position sizes that optimise portfolio Sharpe ratio. Compared to a range of rule-based momentum and reversion strategies, MFINs learn an uncorrelated, higher-Sharpe strategy that is not captured by traditional, hand-crafted factors. In particular, MFIN models continue to achieve consistent returns over the most recent years (2022-2023), where traditional strategies and the wider cryptocurrency market have underperformed.

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.