רשת עצבית למומנטום ולהיפוך משטרים במניות
סיכום
המאמר מתאר גישה מבוססת למידה עמוקה לבחירת תיק השקעות במניות של US. רשת מיתוג שיורית כוללת רכיב אחד לזיהוי תנאי השוק ורכיב אחר לחיזוי מומנטום והיפוך, ועוברת בין שני סוגי האותות כשהמשטרים משתנים. הארכיטקטורה משלבת רשתות שיוריות, בלוקים מוערמים שנועדו לסייע בצמצום התאמת יתר לנתונים פיננסיים רועשים, ומנגנון קשב שנועד לשפר את החיזוי.
לתקופה מ־2008 ועד למחצית הראשונה של 2017, המחברים מדווחים על יחס Sharpe שנתי ממוצע של 2.22 לאסטרטגיה המוצעת, לעומת 0.81 לאסטרטגיית רשת עצבית מלאכותית ו־0.69 למודל ליניארי. אלה תוצאות מחוץ למדגם המדווחות במאמר; הקטע אינו מפרט את בניית התיק, עלויות המסחר, מימוש קווי הבסיס או את החוסן בתקופות ובשווקים אחרים. לכן הנתונים מתארים את סביבת הבדיקה של המחקר ואינם מבססים שהשיטה תשמור על ביצועיה במסחר חי או בתנאים שונים.
רעיונות מרכזיים
- הרשת משתמשת במודול מעבר לזיהוי משטרי שוק ובמודול נפרד לחיזוי מומנטום או היפוך.
- בלוקים שיוריים משמשים לסיוע בשליטה בהתאמת יתר בנתונים פיננסיים רועשים.
- המחברים מדווחים על ביצועי Sharpe מחוץ למדגם שעולים על שני מודלי ייחוס בתקופת המדגם שצוינה.
- הקטע אינו מתאר עלויות מסחר או ביצועים מחוץ לתקופת הבדיקה.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.