شبکه‌های آغازین چندعاملی برای معامله پرتفوی رمزارزها
خلاصه
این مقاله شبکه‌های آغازین چندعاملی (MFIN) را معرفی می‌کند؛ چارچوبی برای معامله چند رمزارز با استفاده از بازده قیمت و سیگنال‌های دیگری که مرتب به‌روزرسانی می‌شوند. افزودن عواملی مانند نرخ هش شبکه و میزان جست‌وجو برای جبران سابقه محدود دارایی‌های رمزارزی پیشنهاد می‌شود. MFIN شبکه‌های آغازین عمیق را گسترش می‌دهد تا چند عامل و دارایی را هم‌زمان پردازش کند.
مدل از بازده‌ها بازنمایی می‌آموزد و اندازه موقعیت‌های پرتفوی را با هدف بیشینه‌کردن نسبت شارپ تولید می‌کند. مقاله نتایج خود را با استراتژی‌های مومنتوم مبتنی بر قاعده و بازگشت‌به‌میانگین مقایسه می‌کند و گزارش می‌دهد که MFIN استراتژی‌ای با نسبت شارپ بالاتر و همبستگی کمتر تولید می‌کند که با عوامل متعارفِ طراحی‌شده به‌دست انسان تفاوت دارد. همچنین گزارش می‌کند که بازده‌ها در 2022–2023 ادامه یافتند؛ دوره‌ای که استراتژی‌های مقایسه‌شده و بازار گسترده‌تر رمزارز عملکرد ضعیفی داشتند. متن تنظیمات آزمایش، معیارهای عملکرد عددی یا تحلیل هزینه معامله را به‌تفصیل ارائه نمی‌کند؛ بنابراین برای ارزیابی استحکام یا امکان‌پذیری معامله عملی کافی نیست.
ایده‌های کلیدی
- MFIN شبکه‌های آغازین عمیق را گسترش می‌دهد تا چند دارایی و عامل را در یک چارچوب معاملاتی مدیریت کند.
- این رویکرد با دسترس‌پذیری معیارهای رمزارزیِ پرتکرار و سابقه کوتاه بسیاری از دارایی‌ها توجیه می‌شود.
- مدل از بازده‌ها می‌آموزد و اندازه موقعیت‌های پرتفوی را برای بهینه‌سازی نسبت شارپ انتخاب می‌کند.
- مقاله گزارش می‌کند که استراتژی آن نسبت به رویکردهای مومنتوم و بازگشت‌به‌میانگین مبتنی بر قاعده همبستگی کمتری دارد.
- متن ادعا می‌کند بازده‌ها در 2022–2023 ادامه یافتند، اما هیچ رقمی یا جزئیات پیاده‌سازی ارائه نمی‌کند.
برچسب‌ها
متن کامل
# Multi-Factor Inception: What to Do with All of These Features? # Multi-Factor Inception: What to Do with All of These Features? Cryptocurrency trading represents a nascent field of research, with growing adoption in industry. Aided by its decentralised nature, many metrics describing cryptocurrencies are accessible with a simple Google search and update frequently, usually at least on a daily basis. This presents a promising opportunity for data-driven systematic trading research, where limited historical data can be augmented with additional features, such as hashrate or Google Trends. However, one question naturally arises: how to effectively select and process these features? In this paper, we introduce Multi-Factor Inception Networks (MFIN), an end-to-end framework for systematic trading with multiple assets and factors. MFINs extend Deep Inception Networks (DIN) to operate in a multi-factor context. Similar to DINs, MFIN models automatically learn features from returns data and output position sizes that optimise portfolio Sharpe ratio. Compared to a range of rule-based momentum and reversion strategies, MFINs learn an uncorrelated, higher-Sharpe strategy that is not captured by traditional, hand-crafted factors. In particular, MFIN models continue to achieve consistent returns over the most recent years (2022-2023), where traditional strategies and the wider cryptocurrency market have underperformed.
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.