시계열 모멘텀과 포지션 크기를 위한 심층 신경망

기사 arXiv papers · 저자: Bryan Lim et al.

요약

이 논문은 심층 학습과 시계열 모멘텀에 사용되는 변동성 스케일링 프레임워크를 결합한 딥 모멘텀 네트워크를 제시합니다. 신경망은 추세 추정치와 포지션 크기를 함께 학습하며, 신호의 샤프 비율을 최적화하도록 매개변수를 훈련합니다. 이에 따라 두 요소를 따로 수작업으로 지정할 필요가 없습니다.

연속 선물 계약 88개를 대상으로 한 백테스트에서 LSTM 기반 버전은 거래 비용 차감 전 전통적 방법의 샤프 비율을 두 배 넘게 기록했고, 비용이 2~3 베이시스포인트까지 적용된 경우에도 더 나은 성과를 냈다고 보고합니다. 저자들은 유동성이 낮은 자산을 포함해 학습 과정에서 거래 비용을 반영할 수 있도록 회전율 정규화도 추가합니다. 근거는 보고된 백테스트에 한정됩니다. 요약에는 평가 기간과 벤치마크 세부 사항이 명시되어 있지 않으며, 결과가 테스트한 계약과 비용 가정의 범위를 넘어 일반화되는지도 알 수 없습니다.

핵심 아이디어

네트워크는 변동성 조정 모멘텀 프레임워크 안에서 추세 추정과 포지션 크기를 함께 학습합니다.
훈련 과정에서 결과 트레이딩 신호의 샤프 비율을 직접 최적화합니다.
연속 선물 계약 88개를 대상으로 한 백테스트에서 기존 방법보다 샤프 비율이 높았다고 보고합니다.
회전율 정규화 항을 추가해 훈련 중 거래 비용을 고려합니다.

# 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.

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

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

시계열 모멘텀과 포지션 크기를 위한 심층 신경망

요약

핵심 아이디어

태그