QuantNet transfiere tendencias entre estrategias bursátiles
Resumen
QuantNet es una arquitectura de aprendizaje para crear estrategias de trading en varios mercados de renta variable. Cada mercado tiene su propio codificador y decodificador: el codificador representa los datos del mercado local, un modelo global compartido procesa información de varios mercados y el decodificador combina señales locales y globales para generar una estrategia específica para cada mercado. El diseño busca captar patrones transferibles y permitir que el modelo de cada mercado se adapte a sus propias características.
El artículo evalúa el enfoque con datos históricos de 3,103 activos en 58 mercados de renta variable. Informa de ratios de Sharpe y Calmar superiores tanto a los de su mejor modelo de referencia como a los de una versión sin aprendizaje por transferencia. El resumen no describe el periodo de evaluación, los costes de transacción ni los detalles de implementación, por lo que las comparaciones informadas no bastan por sí solas para determinar cómo funcionaría la estrategia en trading real o en otros contextos.
Ideas clave
- QuantNet combina codificadores y decodificadores específicos de cada mercado con un modelo global compartido.
- El componente global busca aprender patrones de trading comunes a partir de varios mercados.
- Los parámetros específicos de cada mercado permiten adaptar la estrategia a los datos locales.
- El estudio informa de mejores ratios de Sharpe y Calmar frente a un modelo de referencia y una variante sin transferencia.
- El resumen no especifica los costes, el periodo de evaluación ni los resultados de trading real.
Etiquetas
Texto completo
# 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.
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.