समय-शृंखला मोमेंटम और पोज़िशन आकार के लिए डीप न्यूरल नेटवर्क
सारांश
यह शोधपत्र Deep Momentum Networks प्रस्तुत करता है, जो डीप लर्निंग को समय-शृंखला मोमेंटम में प्रयुक्त अस्थिरता-स्केलिंग रूपरेखा के साथ जोड़ते हैं। एक न्यूरल नेटवर्क रुझान अनुमान और पोज़िशन आकार साथ-साथ सीखता है; इसके पैरामीटर संकेत के Sharpe अनुपात को अनुकूलित करने के लिए प्रशिक्षित किए जाते हैं। इससे इन घटकों को अलग-अलग हाथ से निर्धारित करने की ज़रूरत नहीं रहती।
88 सतत फ़्यूचर्स कॉन्ट्रैक्ट पर बैकटेस्ट बताते हैं कि LSTM-आधारित संस्करण ने लेनदेन लागत से पहले पारंपरिक तरीकों के दोगुने से अधिक Sharpe अनुपात हासिल किया और 2–3 आधार अंक तक की लागत पर भी बेहतर प्रदर्शन जारी रखा। लेखक टर्नओवर नियमितीकरण भी जोड़ते हैं ताकि प्रशिक्षण कम तरल परिसंपत्तियों सहित ट्रेडिंग लागत का ध्यान रख सके। प्रमाण रिपोर्ट किए गए बैकटेस्ट तक सीमित हैं; सारांश मूल्यांकन अवधि, बेंचमार्क विवरण या यह नहीं बताता कि परिणाम जाँचे गए कॉन्ट्रैक्ट और लागत संबंधी मान्यताओं से आगे भी लागू होते हैं या नहीं।
मुख्य विचार
- नेटवर्क अस्थिरता-स्केल किए गए मोमेंटम ढाँचे में रुझान अनुमान और पोज़िशन आकार साथ-साथ सीखता है।
- प्रशिक्षण सीधे परिणामी ट्रेडिंग संकेत के Sharpe अनुपात को अनुकूलित करता है।
- 88 सतत फ़्यूचर्स कॉन्ट्रैक्ट पर बैकटेस्ट पारंपरिक तरीकों से बेहतर Sharpe अनुपात बताते हैं।
- टर्नओवर नियमितीकरण पद मॉडल को प्रशिक्षण के दौरान ट्रेडिंग लागत का ध्यान रखने देता है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।