본문으로 건너뛰기
라이브러리 문서 전체

주식 모멘텀과 반전을 위한 국면 전환 신경망

기사 arXiv papers · 저자: Jifei Wang et al.
원문 읽기

요약

이 논문은 US 주식 포트폴리오 선택을 위한 딥러닝 접근법을 설명한다. 잔차 전환 네트워크는 한 모듈로 시장 상황을 파악하고 다른 모듈로 모멘텀과 반전을 예측한다. 국면이 바뀌면 두 신호 유형 사이를 전환한다. 이 구조는 잡음이 많은 금융 데이터의 과적합을 억제하기 위한 잔차 네트워크와 적층 블록, 예측을 강화하기 위한 어텐션 메커니즘을 결합한다.

2008부터 2017 상반기까지의 기간에 제안 전략은 연평균 샤프 비율 2.22를 기록했다고 저자들은 보고한다. 인공신경망 전략은 0.81, 선형 모형은 0.69였다. 이는 보고된 표본외 결과다. 발췌문에는 포트폴리오 구성, 거래 비용, 기준 모형 구현, 다른 기간과 시장에서의 강건성에 관한 세부사항이 없다. 따라서 이 수치는 연구에서 검정한 설정을 설명할 뿐, 실거래나 다른 조건에서도 방법의 성과가 유지된다는 점을 입증하지 않는다.

핵심 아이디어

  • 네트워크는 전환 모듈로 시장 국면을 파악하고 별도의 모듈로 모멘텀 또는 반전을 예측한다.
  • 잡음이 많은 금융 데이터의 과적합을 억제하기 위해 잔차 블록을 사용한다.
  • 저자들은 명시된 표본에서 두 기준 모형보다 높은 표본외 샤프 성과를 보고한다.
  • 발췌문은 거래 비용이나 검정 기간 밖의 성과를 설명하지 않는다.

태그

주식머신러닝모멘텀평균 회귀포트폴리오 구성미국 시장
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.