コンテンツへスキップ
ライブラリの全資料

時系列モメンタムとポジションサイジングのための深層ニューラルネットワーク

記事 arXiv papers · 著者: Bryan Lim et al.
原文を読む

サマリー

本論文は、時系列モメンタムで用いるボラティリティ調整の枠組みと深層学習を組み合わせたDeep Momentum Networksを提示します。ニューラルネットワークがトレンド推定とポジションサイズを同時に学習し、シグナルのシャープレシオを最適化するようにパラメータを訓練します。これにより、各要素を別々に手作業で指定する必要がなくなります。

88本の連続先物契約を対象としたバックテストでは、LSTMベースの手法が取引コスト控除前に従来手法の2倍を超えるシャープレシオを達成し、最大2～3ベーシスポイントのコスト下でも優位性を維持したと報告されています。著者らは、流動性の低い資産を含め、訓練時に取引コストを考慮できるよう売買回転率の正則化も加えています。証拠は報告されたバックテストに限られます。要約には評価期間やベンチマークの詳細がなく、結果が検証対象の契約やコストの仮定を超えて一般化するかも明記されていません。

主なアイデア

  • ボラティリティ調整を行うモメンタムの枠組みで、トレンド推定とポジションサイジングを同時に学習します。
  • 訓練では、結果として得られる売買シグナルのシャープレシオを直接最適化します。
  • 88本の連続先物契約のバックテストでは、従来手法より高いシャープレシオが報告されています。
  • 売買回転率の正則化項により、訓練中に取引コストを考慮できます。

タグ

先物トレンドフォローモメンタム機械学習ポジションサイズ管理バックテスト
全文
# 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.

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。