Redes neurais profundas para momentum em séries temporais e dimensionamento de posições

Resumo

O artigo apresenta as Deep Momentum Networks, que combinam aprendizado profundo com a estrutura de ajuste por volatilidade usada no momentum de séries temporais. Uma rede neural aprende em conjunto as estimativas de tendência e o tamanho das posições, com parâmetros treinados para otimizar o índice de Sharpe do sinal. Isso elimina a necessidade de especificar esses componentes separadamente e de forma manual.

Backtests em 88 contratos futuros contínuos relatam que uma versão baseada em LSTM alcançou mais que o dobro do índice de Sharpe dos métodos tradicionais antes dos custos de transação e continuou a superá-los com custos de até 2–3 pontos-base. Os autores também adicionam regularização do giro da carteira para que o treinamento considere os custos de trading, inclusive em ativos menos líquidos. As evidências se limitam aos backtests relatados; o resumo não especifica o período de avaliação, detalhes das referências nem se os resultados se generalizam para além dos contratos testados e das hipóteses de custo.

Ideias principais

• A rede aprende em conjunto a estimativa de tendência e o dimensionamento de posições em uma estrutura de momentum ajustada por volatilidade.
• O treinamento otimiza diretamente o índice de Sharpe do sinal de trading resultante.
• Backtests em 88 contratos futuros contínuos relatam índices de Sharpe superiores aos dos métodos tradicionais.
• Um termo de regularização do giro da carteira permite ao modelo considerar os custos de trading durante o treinamento.

Tags

# 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.

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.