Associer la détection des ruptures au momentum et au retour rapide à la moyenne

Résumé

La stratégie associe la détection en ligne des ruptures à un réseau Deep Momentum fondé sur un modèle LSTM. Le réseau apprend des estimations de tendance et des tailles de position, tandis que le module de détection fournit un point de retournement présumé et une mesure de son ampleur. Le système peut alors équilibrer un momentum de séries temporelles plus lent, qui vise à suivre les tendances persistantes, et un retour à la moyenne plus rapide, qui peut inverser l’exposition autour de mouvements localisés. Cette approche vise à réduire les pertes du momentum près des changements brusques de régime.

Les backtests couvrant 1995–2020 indiquent une amélioration d’un tiers du ratio de Sharpe après l’ajout de la détection des ruptures, avec une hausse d’environ deux tiers sur la période 2015–2020. Le bénéfice rapporté est le plus important durant les périodes non stationnaires. Il s’agit de résultats de backtest, et non de preuves de performances en trading en réel ; l’extrait ne donne aucun détail sur les marchés, les coûts de transaction, le protocole de validation ou les vérifications de robustesse. L’approche suggère donc une manière d’adapter l’exposition au momentum, mais des questions importantes de mise en œuvre et de généralisation restent ouvertes.

Idées clés

• La détection en ligne des ruptures est ajoutée à un modèle de momentum et de dimensionnement des positions fondé sur LSTM.
• Un score d’ampleur aide le modèle à moduler sa réponse aux changements détectés dans les conditions de marché.
• La stratégie combine une exposition aux tendances persistantes et un comportement plus rapide de retour à la moyenne.
• Les backtests indiquent une hausse des ratios de Sharpe après l’ajout du module de détection, surtout durant les années récentes testées.
• L’extrait omet des détails sur les marchés, les coûts et la robustesse nécessaires pour évaluer l’applicabilité en trading réel.

Étiquettes

# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection


# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection









Momentum strategies are an important part of alternative investments and are at the heart of commodity trading advisors (CTAs). These strategies have, however, been found to have difficulties adjusting to rapid changes in market conditions, such as during the 2020 market crash. In particular, immediately after momentum turning points, where a trend reverses from an uptrend (downtrend) to a downtrend (uptrend), time-series momentum (TSMOM) strategies are prone to making bad bets. To improve the response to regime change, we introduce a novel approach, where we insert an online changepoint detection (CPD) module into a Deep Momentum Network (DMN) [1904.04912] pipeline, which uses an LSTM deep-learning architecture to simultaneously learn both trend estimation and position sizing. Furthermore, our model is able to optimise the way in which it balances 1) a slow momentum strategy which exploits persisting trends, but does not overreact to localised price moves, and 2) a fast mean-reversion strategy regime by quickly flipping its position, then swapping it back again to exploit localised price moves. Our CPD module outputs a changepoint location and severity score, allowing our model to learn to respond to varying degrees of disequilibrium, or smaller and more localised changepoints, in a data driven manner. Back-testing our model over the period 1995-2020, the addition of the CPD module leads to an improvement in Sharpe ratio of one-third. The module is especially beneficial in periods of significant nonstationarity, and in particular, over the most recent years tested (2015-2020) the performance boost is approximately two-thirds. This is interesting as traditional momentum strategies have been underperforming in this period.

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.