Tiefe neuronale Netze für Zeitreihenmomentum und Positionsgrößen

Zusammenfassung

Die Arbeit stellt Deep Momentum Networks vor, die Deep Learning mit dem Volatilitätsskalierungsrahmen des Zeitreihenmomentums verbinden. Ein neuronales Netz lernt Trendschätzungen und Positionsgrößen gemeinsam; seine Parameter werden so trainiert, dass die Sharpe Ratio des Signals optimiert wird. Damit müssen diese Komponenten nicht mehr separat von Hand festgelegt werden.

Backtests über 88 Continuous-Futures-Kontrakte berichten, dass eine LSTM-basierte Variante vor Transaktionskosten mehr als die doppelte Sharpe Ratio traditioneller Methoden erreichte und auch bei Kosten von bis zu 2–3 Basispunkten besser abschnitt. Die Autoren ergänzen außerdem eine Turnover-Regularisierung, damit das Training Handelskosten auch bei weniger liquiden Vermögenswerten berücksichtigen kann. Die Belege beschränken sich auf die berichteten Backtests; die Zusammenfassung nennt weder den Auswertungszeitraum und Benchmarkdetails noch, ob sich die Ergebnisse über die getesteten Kontrakte und Kostenannahmen hinaus verallgemeinern lassen.

Kernaussagen

• Das Netz lernt Trendprognosen und Positionsgrößen gemeinsam in einem volatilitätsskalierten Momentumrahmen.
• Das Training optimiert direkt die Sharpe Ratio des resultierenden Handelssignals.
• Backtests mit 88 kontinuierlichen Futures-Kontrakten berichten höhere Sharpe Ratios als bei traditionellen Methoden.
• Ein Turnover-Regularisierungsterm ermöglicht es dem Modell, Handelskosten bereits beim Training zu berücksichtigen.

Schlagwörter

# 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.

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.