Rede neural com mudança de regime para momentum e reversão em ações

Resumo

O artigo descreve uma abordagem de deep learning para seleção de carteiras de ações de US. Sua rede residual com mudança de regime usa um módulo para identificar condições de mercado e outro para gerar previsões de momentum e reversão, alternando entre os dois tipos de sinal conforme os regimes mudam. A arquitetura combina redes residuais, blocos empilhados destinados a ajudar a controlar o sobreajuste em dados financeiros ruidosos e um mecanismo de atenção destinado a reforçar a previsão.

Para o período de 2008 até o primeiro semestre de 2017, os autores relatam um índice de Sharpe anual médio de 2.22 para a estratégia proposta, em comparação com 0.81 para uma estratégia de rede neural artificial e 0.69 para um modelo linear. Esses são os resultados fora da amostra relatados; o trecho não apresenta detalhes sobre construção da carteira, custos de trading, implementação das referências ou robustez em outros períodos e mercados. Portanto, os números descrevem o cenário testado no estudo e não demonstram que o método manterá seu desempenho no trading ao vivo ou em outras condições.

Ideias principais

• A rede usa um módulo de mudança para identificar regimes de mercado e outro para prever momentum ou reversão.
• Blocos residuais são usados para ajudar a controlar o sobreajuste em dados financeiros ruidosos.
• Os autores relatam desempenho de Sharpe fora da amostra superior ao de dois modelos de referência durante a amostra informada.
• O trecho não descreve custos de trading nem o desempenho fora do período testado.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.