본문으로 건너뛰기
라이브러리 문서 전체

변곡점 감지와 모멘텀·빠른 평균회귀의 결합

기사 arXiv papers · 저자: Kieran Wood et al.
원문 읽기

요약

이 전략은 LSTM 기반의 딥 모멘텀 네트워크에 온라인 변곡점 감지를 결합합니다. 네트워크는 추세 추정치와 포지션 규모를 학습하고, 감지 모듈은 추정된 변곡점과 그 심각도를 제공합니다. 이를 통해 시스템은 지속되는 추세를 따라가는 느린 시계열 모멘텀과, 국지적 움직임에서 익스포저를 반전할 수 있는 빠른 평균회귀 사이의 균형을 맞춥니다. 급격한 시장 국면 변화 부근에서 모멘텀이 입는 손실을 줄이도록 설계되었습니다.

1995–2020 기간의 백테스트에서는 변곡점 감지를 추가한 뒤 샤프 비율이 3분의 1 개선됐고, 2015–2020 기간에는 약 3분의 2 상승한 것으로 보고합니다. 보고된 이점은 비정상성 기간에 가장 컸습니다. 이 수치는 백테스트 결과이며 실거래 성과의 증거는 아닙니다. 발췌문에는 시장, 거래 비용, 검증 설계 또는 강건성 점검에 관한 세부 정보가 없습니다. 따라서 이 접근법은 모멘텀 익스포저를 조정하는 방법을 제시하지만, 구현과 일반화에 관한 중요한 의문은 남아 있습니다.

핵심 아이디어

  • 온라인 변곡점 감지를 LSTM 기반 모멘텀 및 포지션 규모 결정 모델에 추가합니다.
  • 심각도 점수는 감지된 시장 상황 변화에 대한 모델의 대응을 조절하는 데 도움을 줍니다.
  • 이 전략은 지속되는 추세에 대한 익스포저와 더 빠른 평균회귀 행동을 결합합니다.
  • 백테스트에서는 감지 모듈을 추가한 뒤 샤프 비율이 상승했으며, 특히 최근 테스트 연도에 상승 폭이 컸습니다.
  • 발췌문에는 실거래 적용 가능성을 평가하는 데 필요한 시장, 비용, 강건성 세부 정보가 빠져 있습니다.

태그

모멘텀추세 추종평균 회귀머신러닝백테스트
전문
# 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.

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

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