شبکه عصبی تغییر رژیم برای شتاب و بازگشت سهام
خلاصه
این مقاله رویکردی یادگیری عمیق برای انتخاب پرتفوی در سهام US توصیف می‌کند. شبکه تغییر رژیم باقیمانده آن از یک ماژول برای شناسایی شرایط بازار و ماژولی دیگر برای پیش‌بینی شتاب و بازگشت استفاده می‌کند و با تغییر رژیم، میان این دو نوع سیگنال جابه‌جا می‌شود. معماری، شبکه‌های باقیمانده، بلوک‌های انباشته‌شده‌ای را که برای کمک به کنترل بیش‌برازش در داده‌های مالی پرنویز طراحی شده‌اند و سازوکار توجهی را که برای تقویت پیش‌بینی در نظر گرفته شده، ترکیب می‌کند.
برای دوره 2008 تا نیمه نخست 2017، نویسندگان میانگین سالانه نسبت شارپ 2.22 را برای استراتژی پیشنهادی گزارش می‌کنند؛ این رقم در مقایسه با 0.81 برای استراتژی شبکه عصبی مصنوعی و 0.69 برای مدل خطی است. این‌ها نتایج برون‌نمونه گزارش‌شده‌اند؛ گزیده جزئیاتی درباره ساخت پرتفوی، هزینه‌های معاملاتی، پیاده‌سازی معیار مبنا یا استحکام در دوره‌ها و بازارهای دیگر نمی‌دهد. بنابراین ارقام وضعیت آزموده‌شده در مطالعه را توصیف می‌کنند و ثابت نمی‌کنند که روش در معامله زنده یا شرایط متفاوت عملکردش را حفظ خواهد کرد.
ایده‌های کلیدی
- شبکه از ماژولی برای تشخیص رژیم‌های بازار و ماژولی جداگانه برای پیش‌بینی شتاب یا بازگشت استفاده می‌کند.
- برای کمک به کنترل بیش‌برازش در داده‌های مالی پرنویز از بلوک‌های باقیمانده استفاده می‌شود.
- نویسندگان عملکرد نسبت شارپ برون‌نمونه‌ای قوی‌تری از دو مدل معیار در نمونه اعلام‌شده گزارش می‌کنند.
- گزیده هزینه‌های معاملاتی یا عملکرد خارج از دوره آزموده‌شده را شرح نمی‌دهد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.