Redes neuronales profundas para el momentum de series temporales y el dimensionamiento de posiciones | Stratmill

Resumen

El artículo presenta Deep Momentum Networks, que combinan aprendizaje profundo con el marco de escalado por volatilidad usado en el momentum de series temporales. Una red neuronal aprende a la vez las estimaciones de tendencia y el tamaño de las posiciones, y sus parámetros se entrenan para optimizar el ratio de Sharpe de la señal. Así se evita tener que especificar esos componentes por separado y de forma manual.

Los backtests en 88 contratos de futuros continuos indican que una versión basada en LSTM logró más del doble del ratio de Sharpe de los métodos tradicionales antes de costes de transacción y siguió superándolos con costes de hasta 2–3 puntos básicos. Los autores también añaden regularización de la rotación para que el entrenamiento tenga en cuenta los costes de trading, incluso en activos menos líquidos. Las pruebas se limitan a los backtests descritos; el resumen no especifica el periodo de evaluación, los detalles del índice de referencia ni si los resultados se generalizan más allá de los contratos y supuestos de costes probados.

Ideas clave

• La red aprende conjuntamente a estimar tendencias y dimensionar posiciones dentro de un marco de momentum ajustado por volatilidad.
• El entrenamiento optimiza directamente el ratio de Sharpe de la señal de trading resultante.
• Los backtests en 88 contratos de futuros continuos indican ratios de Sharpe superiores a los de los métodos tradicionales.
• Un término de regularización de la rotación permite que el modelo tenga en cuenta los costes de trading durante el entrenamiento.

Etiquetas

# 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.

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.