QuantNet transfère les tendances entre stratégies sur marchés actions

Article arXiv papers · Auteur: Adriano Koshiyama et al.

Résumé

QuantNet est une architecture d’apprentissage pour construire des stratégies de trading sur plusieurs marchés boursiers. Chaque marché dispose de son propre encodeur et décodeur : l’encodeur représente les données locales du marché, un modèle global partagé traite les informations entre marchés et le décodeur combine les signaux locaux et globaux pour produire une stratégie propre à chaque marché. Cette conception vise à capter des configurations transférables tout en laissant le modèle de chaque marché s’adapter à ses caractéristiques.

L’article évalue l’approche sur des données historiques couvrant 3,103 actifs répartis sur 58 marchés actions. Il rapporte des ratios de Sharpe et de Calmar supérieurs à ceux de sa référence la plus performante et d’une version sans apprentissage par transfert. Le résumé ne décrit ni la période d’évaluation, ni les coûts de transaction, ni les détails de mise en œuvre ; ces comparaisons ne permettent donc pas, à elles seules, d’établir les performances de la stratégie en conditions réelles ou dans d’autres contextes.

Idées clés

QuantNet combine des encodeurs et décodeurs propres à chaque marché avec un modèle global partagé entre marchés.
La composante globale vise à apprendre des configurations de trading communes à plusieurs marchés.
Des paramètres propres à chaque marché peuvent adapter la stratégie aux données locales.
L’étude rapporte une amélioration des ratios de Sharpe et de Calmar par rapport à une référence et à une variante sans transfert.
Le résumé ne précise ni les coûts, ni la période d’évaluation, ni les résultats en trading réel.

Étiquettes

Actions Apprentissage automatique Statistiques Backtest

Texte intégral

# QuantNet: Transferring Learning Across Systematic Trading Strategies


# QuantNet: Transferring Learning Across Systematic Trading Strategies









Systematic financial trading strategies account for over 80% of trade volume in equities and a large chunk of the foreign exchange market. In spite of the availability of data from multiple markets, current approaches in trading rely mainly on learning trading strategies per individual market. In this paper, we take a step towards developing fully end-to-end global trading strategies that leverage systematic trends to produce superior market-specific trading strategies. We introduce QuantNet: an architecture that learns market-agnostic trends and use these to learn superior market-specific trading strategies. Each market-specific model is composed of an encoder-decoder pair. The encoder transforms market-specific data into an abstract latent representation that is processed by a global model shared by all markets, while the decoder learns a market-specific trading strategy based on both local and global information from the market-specific encoder and the global model. QuantNet uses recent advances in transfer and meta-learning, where market-specific parameters are free to specialize on the problem at hand, whilst market-agnostic parameters are driven to capture signals from all markets. By integrating over idiosyncratic market data we can learn general transferable dynamics, avoiding the problem of overfitting to produce strategies with superior returns. We evaluate QuantNet on historical data across 3103 assets in 58 global equity markets. Against the top performing baseline, QuantNet yielded 51% higher Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach over the non-transfer learning variant, with improvements of 15% and 41% in Sharpe and Calmar ratios. Code available in appendix.

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.