Combinação de detecção de pontos de mudança com momentum e reversão rápida

Resumo

A estratégia combina detecção online de pontos de mudança com uma Rede de Momentum Profundo construída em torno de um LSTM. A rede aprende estimativas de tendência e tamanhos de posição, enquanto o módulo de detecção fornece um possível ponto de virada e uma medida de sua intensidade. O sistema pode então equilibrar o momentum mais lento de séries temporais, que busca acompanhar tendências persistentes, com uma reversão à média mais rápida, que pode inverter a exposição em movimentos localizados. A abordagem foi concebida para lidar com perdas de momentum próximas a mudanças abruptas de regime.

Backtests que abrangem 1995–2020 relatam melhora de um terço no índice de Sharpe após a inclusão da detecção de pontos de mudança, com um aumento de aproximadamente dois terços durante 2015–2020. O benefício relatado é mais forte em períodos não estacionários. Esses números são resultados de backtest, não evidências de desempenho no trading ao vivo; o trecho não informa mercados, custos de transação, desenho da validação nem verificações de robustez. Portanto, a abordagem sugere uma forma de adaptar a exposição ao momentum, mas deixa em aberto questões importantes de implementação e generalização.

Ideias principais

• A detecção online de pontos de mudança é adicionada a um modelo de momentum e dimensionamento de posições baseado em LSTM.
• Uma pontuação de intensidade ajuda o modelo a variar sua resposta às mudanças detectadas nas condições de mercado.
• A estratégia combina exposição a tendências persistentes com um comportamento mais rápido de reversão à média.
• Backtests relatam índices de Sharpe mais altos após a inclusão do módulo de detecção, sobretudo nos anos mais recentes testados.
• O trecho omite detalhes de mercado, custos e robustez necessários para avaliar a aplicabilidade ao trading ao vivo.

Tags

# 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.

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.