コンテンツへスキップ
ライブラリの全資料

QuantNetによる株式市場横断のトレード戦略学習

記事 arXiv papers · 著者: Adriano Koshiyama et al.
原文を読む

サマリー

QuantNetは、複数の株式市場にまたがるトレード戦略を構築するための学習アーキテクチャです。各市場には専用のエンコーダーとデコーダーがあります。エンコーダーが市場固有のデータを表現し、共有のグローバルモデルが市場間の情報を処理し、デコーダーが市場固有の戦略を生成するためにローカル信号とグローバル信号を組み合わせます。この設計は、移転可能なパターンを捉えながら、各市場のモデルが固有の特性に適応できるようにすることを目指します。

本論文は、58株式市場における3,103資産の過去データで手法を評価します。最も成績の高いベースラインと、転移学習を使わないモデルの双方より、シャープレシオとカルマーレシオが高かったと報告しています。要旨には評価期間、取引コスト、実装の詳細がなく、報告された比較だけでは、実運用や他の環境での戦略の成績は明らかになりません。

主なアイデア

  • QuantNetは、市場固有のエンコーダーとデコーダーを、市場間で共有するグローバルモデルと組み合わせます。
  • グローバル構成要素は、複数市場に共通する取引パターンの学習を目指します。
  • 市場固有のパラメーターにより、戦略を各市場のデータに適応させられます。
  • ベースラインおよび転移学習なしのモデルに対し、シャープレシオとカルマーレシオの改善が報告されています。
  • 要旨には、コスト、評価期間、実運用の結果が記載されていません。

タグ

株式機械学習統計バックテスト
全文
# QuantNet: Transferring Learning Across Systematic Trading Strategies


# QuantNet: Transferring Learning Across Systematic Trading Strategies









Systematic financial trading strategies account for over 80% of trade volume in equities and a large chunk of the foreign exchange market. In spite of the availability of data from multiple markets, current approaches in trading rely mainly on learning trading strategies per individual market. In this paper, we take a step towards developing fully end-to-end global trading strategies that leverage systematic trends to produce superior market-specific trading strategies. We introduce QuantNet: an architecture that learns market-agnostic trends and use these to learn superior market-specific trading strategies. Each market-specific model is composed of an encoder-decoder pair. The encoder transforms market-specific data into an abstract latent representation that is processed by a global model shared by all markets, while the decoder learns a market-specific trading strategy based on both local and global information from the market-specific encoder and the global model. QuantNet uses recent advances in transfer and meta-learning, where market-specific parameters are free to specialize on the problem at hand, whilst market-agnostic parameters are driven to capture signals from all markets. By integrating over idiosyncratic market data we can learn general transferable dynamics, avoiding the problem of overfitting to produce strategies with superior returns. We evaluate QuantNet on historical data across 3103 assets in 58 global equity markets. Against the top performing baseline, QuantNet yielded 51% higher Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach over the non-transfer learning variant, with improvements of 15% and 41% in Sharpe and Calmar ratios. Code available in appendix.

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。