Réseau neuronal à changement de régime pour momentum et retournement des actions | Stratmill

Résumé

L’article présente une approche d’apprentissage profond pour la sélection de portefeuilles d’actions US. Son réseau résiduel à commutation utilise un module pour identifier les conditions de marché et un autre pour produire des prévisions de momentum et de retournement, en passant d’un type de signal à l’autre selon les changements de régime. L’architecture combine des réseaux résiduels, des blocs empilés destinés à aider à limiter le surapprentissage dans les données financières bruitées et un mécanisme d’attention destiné à renforcer la prédiction.

Pour la période allant de 2008 au premier semestre de 2017, les auteurs rapportent un ratio de Sharpe annuel moyen de 2.22 pour la stratégie proposée, contre 0.81 pour une stratégie fondée sur un réseau de neurones artificiels et 0.69 pour un modèle linéaire. Il s’agit des résultats hors échantillon rapportés ; l’extrait ne détaille pas la construction du portefeuille, les coûts de trading, l’implémentation de la référence ni la robustesse à d’autres périodes et marchés. Ces chiffres décrivent donc le cadre testé par l’étude et ne permettent pas d’établir que la méthode conservera ses performances en trading réel ou dans d’autres conditions.

Idées clés

• Le réseau utilise un module à commutation pour identifier les régimes de marché et un module distinct pour prévoir le momentum ou le retournement.
• Des blocs résiduels servent à aider à limiter le surapprentissage dans des données financières bruitées.
• Les auteurs rapportent un ratio de Sharpe hors échantillon supérieur à celui de deux modèles de référence sur l’échantillon indiqué.
• L’extrait ne décrit ni les coûts de trading ni les performances en dehors de la période testée.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.