본문으로 건너뛰기
라이브러리 문서 전체

주식 시장 간 전략 학습에 시장 추세를 반영하는 QuantNet

기사 arXiv papers · 저자: Adriano Koshiyama et al.
원문 읽기

요약

QuantNet은 여러 주식 시장에 걸쳐 트레이딩 전략을 구축하는 학습 아키텍처입니다. 각 시장은 자체 인코더와 디코더를 갖습니다. 인코더는 해당 시장 데이터를 표현하고, 공유 글로벌 모델은 시장 간 정보를 처리하며, 디코더는 시장별 신호와 글로벌 신호를 결합해 시장별 전략을 만듭니다. 이 설계는 각 시장 모델이 고유한 특성에 맞춰 조정되도록 하면서 전이 가능한 패턴을 포착하려 합니다.

논문은 58개 주식 시장의 자산 3,103개에 대한 과거 데이터로 접근법을 평가합니다. 가장 성과가 좋았던 기준 모델과 전이학습을 적용하지 않은 버전보다 샤프 및 칼마 비율이 높았다고 보고합니다. 초록에는 평가 기간, 거래 비용, 구현 세부 사항이 설명되어 있지 않아, 보고된 비교만으로는 실거래나 다른 환경에서 전략이 어떤 성과를 낼지 입증되지 않습니다.

핵심 아이디어

  • QuantNet은 시장별 인코더·디코더와 여러 시장이 공유하는 글로벌 모델을 결합합니다.
  • 글로벌 구성 요소는 여러 시장에서 공통 트레이딩 패턴을 학습하도록 설계됐습니다.
  • 시장별 매개변수를 통해 전략을 시장별 데이터에 맞출 수 있습니다.
  • 연구는 기준 모델 및 전이학습을 적용하지 않은 버전보다 샤프·칼마 비율이 개선됐다고 보고합니다.
  • 초록에는 비용, 평가 기간, 실거래 결과가 명시되어 있지 않습니다.

태그

주식머신러닝통계백테스트
전문
# 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.

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

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