Multi-Faktor-Inception-Netzwerke für den Handel mit Krypto-Portfolios

Zusammenfassung

Diese Arbeit stellt Multi-Factor Inception Networks (MFIN) vor, einen Rahmen für den Handel mit mehreren Kryptowährungen anhand von Kursrenditen und weiteren häufig aktualisierten Signalen. Sie begründet die Einbeziehung von Faktoren wie Netzwerk-Hashrate und Suchinteresse mit der begrenzten Historie von Krypto-Vermögenswerten. MFIN erweitert Deep Inception Networks, um mehrere Faktoren und Vermögenswerte gemeinsam zu verarbeiten.

Das Modell lernt Repräsentationen aus Renditen und erzeugt Portfolio-Positionsgrößen mit dem Ziel, die Sharpe Ratio zu maximieren. Die Arbeit vergleicht die Ergebnisse mit regelbasierten Momentum- und Mean-Reversion-Strategien und berichtet, dass MFIN eine Strategie mit höherer Sharpe Ratio und geringerer Korrelation hervorbringt, die sich von herkömmlichen, manuell entwickelten Faktoren unterscheidet. Außerdem werden anhaltende Renditen in 2022–2023 berichtet, als die Vergleichsstrategien und der breitere Kryptomarkt schwach abschnitten. Der Auszug enthält keine ausführlichen Angaben zum Versuchsaufbau, zu numerischen Leistungskennzahlen oder Transaktionskosten. Daher reicht er nicht aus, um die Robustheit oder praktische Umsetzbarkeit des Handels zu beurteilen.

Kernaussagen

• MFIN erweitert Deep Inception Networks, um mehrere Vermögenswerte und Faktoren in einem Handelsrahmen zu verarbeiten.
• Der Ansatz ist durch häufig aktualisierte Krypto-Kennzahlen und die kurze Historie vieler Vermögenswerte motiviert.
• Das Modell lernt aus Renditen und wählt Portfolio-Positionsgrößen mit dem Ziel, die Sharpe Ratio zu optimieren.
• Die Arbeit berichtet, dass die Strategie geringer mit regelbasierten Momentum- und Mean-Reversion-Ansätzen korreliert.
• Der Auszug behauptet, dass die Renditen in 2022–2023 anhielten, nennt aber keine Kennzahlen oder Umsetzungsdetails.

Schlagwörter

# 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.

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.