Wendepunkterkennung mit Momentum und schneller Mean-Reversion kombinieren

Zusammenfassung

Die Strategie verbindet die Online-Erkennung statistischer Änderungspunkte mit einem Deep Momentum Network auf Basis eines LSTM. Das Netzwerk lernt Trendschätzungen und Positionsgrößen, während das Erkennungsmodul einen vermuteten Änderungspunkt und ein Maß für dessen Ausprägung liefert. So kann das System langsameres Zeitreihenmomentum, das auf anhaltende Trends ausgerichtet ist, mit schnellerer Mean-Reversion ausbalancieren, die bei lokalen Bewegungen die Position umkehren kann. Der Ansatz soll Momentumverluste bei abrupten Regimewechseln angehen.

Backtests für den Zeitraum 1995–2020 berichten nach Ergänzung der Wendepunkterkennung eine Verbesserung der Sharpe Ratio um ein Drittel; für 2015–2020 beträgt der Zuwachs ungefähr zwei Drittel. Der berichtete Vorteil ist in nichtstationären Zeiträumen am stärksten. Diese Zahlen stammen aus Backtests und belegen keine Performance im Live-Trading; der Auszug nennt weder Märkte und Transaktionskosten noch Validierungsdesign oder Robustheitsprüfungen. Der Ansatz zeigt somit eine Möglichkeit, das Momentum-Exposure anzupassen, lässt jedoch wichtige Fragen zur Umsetzung und Übertragbarkeit offen.

Kernaussagen

• Die Online-Erkennung statistischer Änderungspunkte wird zu einem auf LSTM basierenden Momentum- und Positionsgrößenmodell hinzugefügt.
• Ein Maß für die Stärke hilft dem Modell, seine Reaktion auf erkannte Veränderungen der Marktbedingungen anzupassen.
• Die Strategie verbindet ein Exposure für anhaltende Trends mit schnellerem Mean-Reversion-Verhalten.
• Backtests berichten nach Ergänzung des Erkennungsmoduls höhere Sharpe Ratios, besonders in den jüngsten getesteten Jahren.
• Im Auszug fehlen Markt-, Kosten- und Robustheitsdetails, die für eine Beurteilung der Anwendbarkeit im Live-Trading nötig sind.

Schlagwörter

# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection


# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection









Momentum strategies are an important part of alternative investments and are at the heart of commodity trading advisors (CTAs). These strategies have, however, been found to have difficulties adjusting to rapid changes in market conditions, such as during the 2020 market crash. In particular, immediately after momentum turning points, where a trend reverses from an uptrend (downtrend) to a downtrend (uptrend), time-series momentum (TSMOM) strategies are prone to making bad bets. To improve the response to regime change, we introduce a novel approach, where we insert an online changepoint detection (CPD) module into a Deep Momentum Network (DMN) [1904.04912] pipeline, which uses an LSTM deep-learning architecture to simultaneously learn both trend estimation and position sizing. Furthermore, our model is able to optimise the way in which it balances 1) a slow momentum strategy which exploits persisting trends, but does not overreact to localised price moves, and 2) a fast mean-reversion strategy regime by quickly flipping its position, then swapping it back again to exploit localised price moves. Our CPD module outputs a changepoint location and severity score, allowing our model to learn to respond to varying degrees of disequilibrium, or smaller and more localised changepoints, in a data driven manner. Back-testing our model over the period 1995-2020, the addition of the CPD module leads to an improvement in Sharpe ratio of one-third. The module is especially beneficial in periods of significant nonstationarity, and in particular, over the most recent years tested (2015-2020) the performance boost is approximately two-thirds. This is interesting as traditional momentum strategies have been underperforming in this period.

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.