QuantNet überträgt Markttrends auf Aktienstrategien

Artikel arXiv papers · Autor: Adriano Koshiyama et al.

Zusammenfassung

QuantNet ist eine Lernarchitektur für den Aufbau von Handelsstrategien über mehrere Aktienmärkte hinweg. Jeder Markt hat einen eigenen Encoder und Decoder: Der Encoder bildet lokale Marktdaten ab, ein gemeinsames globales Modell verarbeitet Informationen aus mehreren Märkten und der Decoder kombiniert lokale und globale Signale zu einer marktspezifischen Strategie. Das Design soll übertragbare Muster erfassen und zugleich jedem Marktmodell ermöglichen, sich an die jeweiligen Eigenschaften anzupassen.

Das Paper bewertet den Ansatz anhand historischer Daten zu 3,103 Vermögenswerten aus 58 Aktienmärkten. Es berichtet höhere Sharpe- und Calmar-Ratios als bei der leistungsstärksten Basisvariante und einer Version ohne Transfer Learning. Das Abstract beschreibt weder den Bewertungszeitraum und Transaktionskosten noch Implementierungsdetails. Die Vergleiche allein belegen daher nicht, wie die Strategie live oder unter anderen Bedingungen abschneiden würde.

Kernaussagen

QuantNet kombiniert marktspezifische Encoder und Decoder mit einem globalen, marktübergreifenden Modell.
Die globale Komponente soll gemeinsame Handelsmuster aus mehreren Märkten lernen.
Marktspezifische Parameter können die Strategie an lokale Daten anpassen.
Die Studie berichtet bessere Sharpe- und Calmar-Ratios als bei einer Basisvariante und einer Version ohne Transfer Learning.
Das Abstract nennt weder Kosten und Bewertungszeitraum noch Ergebnisse aus dem Live-Handel.

Schlagwörter

Aktien Maschinelles Lernen Statistik Backtesting

Volltext

# QuantNet: Transferring Learning Across Systematic Trading Strategies


# QuantNet: Transferring Learning Across Systematic Trading Strategies









Systematic financial trading strategies account for over 80% of trade volume in equities and a large chunk of the foreign exchange market. In spite of the availability of data from multiple markets, current approaches in trading rely mainly on learning trading strategies per individual market. In this paper, we take a step towards developing fully end-to-end global trading strategies that leverage systematic trends to produce superior market-specific trading strategies. We introduce QuantNet: an architecture that learns market-agnostic trends and use these to learn superior market-specific trading strategies. Each market-specific model is composed of an encoder-decoder pair. The encoder transforms market-specific data into an abstract latent representation that is processed by a global model shared by all markets, while the decoder learns a market-specific trading strategy based on both local and global information from the market-specific encoder and the global model. QuantNet uses recent advances in transfer and meta-learning, where market-specific parameters are free to specialize on the problem at hand, whilst market-agnostic parameters are driven to capture signals from all markets. By integrating over idiosyncratic market data we can learn general transferable dynamics, avoiding the problem of overfitting to produce strategies with superior returns. We evaluate QuantNet on historical data across 3103 assets in 58 global equity markets. Against the top performing baseline, QuantNet yielded 51% higher Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach over the non-transfer learning variant, with improvements of 15% and 41% in Sharpe and Calmar ratios. Code available in appendix.

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.