Regimewechsel-Netz für Momentum und Umkehr bei Aktien

Zusammenfassung

Die Arbeit beschreibt einen Deep-Learning-Ansatz zur Portfolioauswahl bei Aktien aus US. Das Residualnetz mit Regimewechsel nutzt ein Modul zur Erkennung der Marktbedingungen und ein weiteres für Momentum- und Umkehrprognosen; bei Regimewechseln schaltet es zwischen den beiden Signalarten um. Die Architektur kombiniert Residualnetze, gestapelte Blöcke zur Kontrolle von Überanpassung in verrauschten Finanzdaten und einen Aufmerksamkeitsmechanismus zur Verbesserung der Prognose.

Für den Zeitraum von 2008 bis zur ersten Hälfte von 2017 berichten die Autoren für die vorgeschlagene Strategie eine durchschnittliche jährliche Sharpe Ratio von 2.22, verglichen mit 0.81 für eine Strategie mit künstlichem neuronalen Netz und 0.69 für ein lineares Modell. Dies sind die berichteten Ergebnisse außerhalb der Stichprobe; der Auszug enthält keine Einzelheiten zum Portfolioaufbau, zu Handelskosten, zur Umsetzung der Vergleichsmodelle oder zur Robustheit über andere Zeiträume und Märkte. Die Zahlen beschreiben daher das getestete Umfeld der Studie und belegen nicht, dass die Methode ihre Leistung im Live-Handel oder unter anderen Bedingungen beibehält.

Kernaussagen

• Das Netz nutzt ein Modul zur Erkennung von Marktregimen und ein separates Modul für Momentum- oder Umkehrprognosen.
• Residualblöcke sollen helfen, Überanpassung in verrauschten Finanzdaten zu kontrollieren.
• Die Autoren berichten für die angegebene Stichprobe eine höhere Sharpe-Performance außerhalb der Stichprobe als bei zwei Vergleichsmodellen.
• Der Auszug beschreibt weder Handelskosten noch die Performance außerhalb des getesteten Zeitraums.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.