コンテンツへスキップ
ライブラリの全資料

転換点検出とモメンタム・短期回帰の組み合わせ

記事 arXiv papers · 著者: Kieran Wood et al.
原文を読む

サマリー

この戦略は、LSTMを基盤とするDeep Momentum Networkにオンライン転換点検出を組み合わせています。ネットワークがトレンドの推定値とポジションサイズを学習し、検出モジュールが転換点の候補とその深刻度を示します。これにより、持続的なトレンドへの追随を目指す遅い時系列モメンタムと、局所的な動きに応じてエクスポージャーを反転できる速い平均回帰のバランスを取れます。急激なレジーム変化の近辺で生じるモメンタム損失への対処を意図しています。

1995～2020を対象としたバックテストでは、転換点検出を加えるとシャープレシオが3分の1改善し、2015～2020には約3分の2上昇したと報告されています。報告された効果は非定常期に最も強くなっています。これらはバックテストの結果であり、実運用の成績を示すものではありません。抜粋には市場、取引コスト、検証設計、頑健性チェックの詳細がありません。この手法はモメンタムのエクスポージャーを調整する方法を示唆する一方で、実装や一般化に関する重要な疑問を残しています。

主なアイデア

  • オンライン転換点検出を、LSTMベースのモメンタムおよびポジションサイズ決定モデルに加えています。
  • 深刻度スコアを使い、市場環境の変化を検出したときのモデルの反応を調整します。
  • 持続的なトレンドへのエクスポージャーと、より速い平均回帰の動きを組み合わせています。
  • バックテストでは検出モジュールの追加後にシャープレシオが上昇し、直近の検証年で特に大きくなったと報告されています。
  • 抜粋には、実運用への適用可能性を評価するために必要な市場、コスト、頑健性の詳細がありません。

タグ

モメンタムトレンドフォロー平均回帰機械学習バックテスト
全文
# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection


# Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection









Momentum strategies are an important part of alternative investments and are at the heart of commodity trading advisors (CTAs). These strategies have, however, been found to have difficulties adjusting to rapid changes in market conditions, such as during the 2020 market crash. In particular, immediately after momentum turning points, where a trend reverses from an uptrend (downtrend) to a downtrend (uptrend), time-series momentum (TSMOM) strategies are prone to making bad bets. To improve the response to regime change, we introduce a novel approach, where we insert an online changepoint detection (CPD) module into a Deep Momentum Network (DMN) [1904.04912] pipeline, which uses an LSTM deep-learning architecture to simultaneously learn both trend estimation and position sizing. Furthermore, our model is able to optimise the way in which it balances 1) a slow momentum strategy which exploits persisting trends, but does not overreact to localised price moves, and 2) a fast mean-reversion strategy regime by quickly flipping its position, then swapping it back again to exploit localised price moves. Our CPD module outputs a changepoint location and severity score, allowing our model to learn to respond to varying degrees of disequilibrium, or smaller and more localised changepoints, in a data driven manner. Back-testing our model over the period 1995-2020, the addition of the CPD module leads to an improvement in Sharpe ratio of one-third. The module is especially beneficial in periods of significant nonstationarity, and in particular, over the most recent years tested (2015-2020) the performance boost is approximately two-thirds. This is interesting as traditional momentum strategies have been underperforming in this period.

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。