Réseaux neuronaux profonds pour le momentum temporel et le dimensionnement des positions

Résumé

L’article présente les réseaux Deep Momentum, qui combinent apprentissage profond et cadre de mise à l’échelle de la volatilité utilisé pour le momentum des séries temporelles. Un réseau neuronal apprend simultanément les estimations de tendance et la taille des positions, et ses paramètres sont entraînés pour optimiser le ratio de Sharpe du signal. Cette approche évite de devoir spécifier séparément ces éléments à la main.

Des backtests sur 88 contrats à terme continus indiquent qu’une version fondée sur LSTM a obtenu un ratio de Sharpe supérieur à deux fois celui des méthodes traditionnelles avant les coûts de transaction, et a continué à les dépasser avec des coûts allant jusqu’à 2–3 points de base. Les auteurs ajoutent aussi une régularisation du taux de rotation afin que l’entraînement puisse tenir compte des coûts de trading, y compris pour les actifs moins liquides. Les éléments de preuve se limitent aux backtests rapportés ; le résumé ne précise ni la période d’évaluation, ni les détails des références, ni la généralisation des résultats au-delà des contrats testés et des hypothèses de coûts.

Idées clés

• Le réseau apprend conjointement l’estimation de tendance et le dimensionnement des positions dans un cadre de momentum ajusté à la volatilité.
• L’entraînement optimise directement le ratio de Sharpe du signal de trading obtenu.
• Les backtests sur 88 contrats à terme continus font état de ratios de Sharpe supérieurs à ceux des méthodes traditionnelles.
• Un terme de régularisation du taux de rotation permet au modèle de tenir compte des coûts de trading pendant l’entraînement.

Étiquettes

# 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.

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.