רשתות עצביות עמוקות למומנטום בסדרות עתיות ולקביעת גודל פוזיציה
סיכום
המאמר מציג רשתות מומנטום עמוקות, המשלבות למידה עמוקה עם מסגרת התאמת התנודתיות המשמשת במומנטום של סדרות עתיות. רשת עצבית לומדת יחד אומדני מגמה וגודלי פוזיציות, כאשר הפרמטרים שלה מאומנים למקסם את יחס שארפ של האות. כך אין צורך להגדיר את הרכיבים האלה בנפרד באופן ידני.
בקטסטים על פני 88 חוזים עתידיים רציפים מדווח כי גרסה המבוססת על LSTM השיגה יחס שארפ גבוה ביותר מפי שניים מהשיטות המסורתיות לפני עלויות עסקה, והמשיכה להציג ביצועים טובים יותר גם בעלויות של עד 2–3 נקודות בסיס. המחברים מוסיפים גם רגולריזציה של מחזור המסחר, כך שהאימון יוכל להביא בחשבון עלויות מסחר, לרבות בנכסים בעלי נזילות נמוכה יותר. הראיות מוגבלות לבקטסטים שדווחו; התקציר אינו מפרט את תקופת ההערכה, את מדדי ההשוואה או אם ניתן להכליל את התוצאות מעבר לחוזים ולהנחות העלות שנבדקו.
רעיונות מרכזיים
- הרשת לומדת במשותף אומדן מגמה וקביעת גודל פוזיציה במסגרת מומנטום המותאמת לתנודתיות.
- האימון ממקסם ישירות את יחס שארפ של אות המסחר המתקבל.
- בקטסטים על 88 חוזים עתידיים רציפים מדווח על יחסי שארפ משופרים לעומת שיטות מסורתיות.
- רכיב רגולריזציה של מחזור המסחר מאפשר למודל להביא בחשבון עלויות מסחר בזמן האימון.
תגיות
הטקסט המלא
# 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.
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.