Combinar detección de cambios con momentum y reversión rápida a la media

Resumen

La estrategia combina detección online de puntos de cambio con una red Deep Momentum basada en un LSTM. La red aprende estimaciones de tendencia y tamaños de posición, mientras que el módulo de detección proporciona un posible punto de inflexión y una medida de su intensidad. El sistema puede equilibrar el momentum más lento de series temporales, que busca mantenerse en tendencias persistentes, con una reversión a la media más rápida, que puede invertir la exposición ante movimientos localizados. El objetivo es abordar las pérdidas del momentum cerca de cambios bruscos de régimen.

Los backtests que abarcan 1995–2020 muestran una mejora de un tercio en el ratio de Sharpe al añadir la detección de puntos de cambio, y un aumento aproximado de dos tercios durante 2015–2020. El beneficio reportado es mayor en periodos no estacionarios. Estas cifras proceden de backtests y no demuestran el rendimiento en trading real; el fragmento no ofrece detalles sobre mercados, costes de transacción, diseño de validación ni pruebas de robustez. Por tanto, el enfoque sugiere una forma de adaptar la exposición al momentum, pero deja abiertas cuestiones importantes de implementación y generalización.

Ideas clave

• Se añade detección online de puntos de cambio a un modelo de momentum y dimensionamiento de posiciones basado en LSTM.
• Una puntuación de intensidad ayuda al modelo a variar su respuesta a los cambios detectados en las condiciones del mercado.
• La estrategia combina exposición a tendencias persistentes con un comportamiento más rápido de reversión a la media.
• Los backtests muestran ratios de Sharpe más altos al añadir el módulo de detección, especialmente en los años recientes evaluados.
• El fragmento omite detalles sobre mercados, costes y robustez necesarios para evaluar la aplicación en trading real.

Etiquetas

# 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.

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.