شبکه‌های عصبی عمیق برای مومنتوم سری زمانی و اندازه موقعیت
خلاصه
این مقاله شبکه‌های مومنتوم عمیق را معرفی می‌کند که یادگیری عمیق را با چارچوب مقیاس‌بندی نوسان‌پذیری در مومنتوم سری زمانی ترکیب می‌کنند. یک شبکه عصبی برآورد روند و اندازه موقعیت را هم‌زمان می‌آموزد و پارامترهایش برای بهینه‌کردن نسبت شارپ سیگنال آموزش داده می‌شوند. در نتیجه نیازی نیست این مؤلفه‌ها جداگانه و به‌صورت دستی تعیین شوند.
بک‌تست روی 88 قرارداد آتی پیوسته گزارش می‌کند که نسخه مبتنی بر LSTM پیش از هزینه‌های معامله بیش از دو برابر روش‌های سنتی نسبت شارپ داشته و با هزینه‌هایی تا 2–3 نقطه پایه نیز بهتر عمل کرده است. نویسندگان همچنین منظم‌سازی گردش معاملات را اضافه می‌کنند تا آموزش هزینه‌های معامله، از جمله برای دارایی‌های کم‌نقدشونده‌تر، را در نظر بگیرد. شواهد به بک‌تست‌های گزارش‌شده محدودند؛ خلاصه دوره ارزیابی یا جزئیات معیارهای مبنا را مشخص نمی‌کند و نشان نمی‌دهد نتایج فراتر از قراردادهای آزموده‌شده و فرض‌های هزینه تعمیم می‌یابند یا نه.
ایده‌های کلیدی
- شبکه برآورد روند و اندازه موقعیت را در چارچوب مومنتوم مقیاس‌بندی‌شده با نوسان‌پذیری، هم‌زمان می‌آموزد.
- آموزش مستقیماً نسبت شارپ سیگنال معاملاتی حاصل را بهینه می‌کند.
- بک‌تست‌ها روی 88 قرارداد آتی پیوسته بهبود نسبت شارپ نسبت به روش‌های سنتی را گزارش می‌کنند.
- مؤلفه منظم‌سازی گردش معاملات امکان می‌دهد مدل هنگام آموزش هزینه‌های معامله را در نظر بگیرد.
برچسب‌ها
متن کامل
# 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.
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.