Red neuronal con cambio de régimen para impulso y reversión en acciones

Resumen

El artículo describe un enfoque de aprendizaje profundo para seleccionar carteras de acciones de US. Su red residual con cambio de régimen utiliza un módulo para identificar las condiciones del mercado y otro para generar previsiones de impulso y reversión, alternando entre ambos tipos de señal cuando cambian los regímenes. La arquitectura combina redes residuales, bloques apilados concebidos para ayudar a controlar el sobreajuste en datos financieros ruidosos y un mecanismo de atención destinado a reforzar la predicción.

Para el periodo desde 2008 hasta la primera mitad de 2017, los autores comunican un ratio de Sharpe anual medio de 2.22 para la estrategia propuesta, frente a 0.81 para una estrategia de red neuronal artificial y 0.69 para un modelo lineal. Estos son los resultados fuera de muestra comunicados; el fragmento no ofrece detalles sobre construcción de carteras, costes de trading, implementación de las referencias ni robustez en otros periodos y mercados. Por tanto, las cifras describen el entorno probado en el estudio y no demuestran que el método vaya a conservar su rendimiento en trading en vivo o bajo otras condiciones.

Ideas clave

• La red usa un módulo de cambio para identificar regímenes de mercado y otro módulo para predecir impulso o reversión.
• Se usan bloques residuales para ayudar a controlar el sobreajuste en datos financieros ruidosos.
• Los autores comunican un ratio de Sharpe fuera de muestra superior al de dos modelos de referencia durante la muestra indicada.
• El fragmento no describe los costes de trading ni el rendimiento fuera del periodo probado.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.