コンテンツへスキップ
ライブラリの全資料

株式のモメンタムと反転を捉えるレジーム切替型ニューラルネットワーク

記事 arXiv papers · 著者: Jifei Wang et al.
原文を読む

サマリー

本論文は、US株式のポートフォリオ選択に深層学習を用いる手法を説明しています。残差型切替ネットワークは、一つのモジュールで市場環境を特定し、別のモジュールでモメンタムと反転を予測します。レジームの変化に応じて、二種類のシグナルを切り替えます。このアーキテクチャは、残差ネットワーク、ノイズの多い金融データで過学習を抑えることを意図した積層ブロック、予測強化を意図した注意機構を組み合わせています。

2008から2017年前半までの期間について、著者らは提案戦略の年平均シャープレシオを2.22と報告しています。人工ニューラルネットワーク戦略では0.81、線形モデルでは0.69でした。これらは報告された標本外の結果ですが、抜粋にはポートフォリオ構築、取引コスト、ベンチマークの実装、他の期間や市場における頑健性の詳細がありません。したがって、数値が示すのは本研究で検証された条件であり、実運用時や異なる条件でも手法の性能が維持されることを証明するものではありません。

主なアイデア

  • ネットワークは切替モジュールで市場レジームを特定し、別のモジュールでモメンタムまたは反転を予測します。
  • ノイズの多い金融データで過学習を抑えるため、残差ブロックを用いています。
  • 著者らは、示された標本期間で二つのベンチマークモデルを上回る標本外シャープレシオを報告しています。
  • 抜粋には取引コストや検証期間外の成績が記載されていません。

タグ

株式機械学習モメンタム平均回帰ポートフォリオ構築米国市場
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。