Redes de Inception multifatoriais para trading de portfólios de criptomoedas

Resumo

Este artigo apresenta as Multi-Factor Inception Networks (MFIN), uma estrutura para negociar várias criptomoedas usando retornos de preços e outros sinais atualizados com frequência. O artigo justifica a inclusão de fatores como hashrate da rede e interesse em buscas para contornar o histórico limitado disponível para criptoativos. MFIN amplia as Deep Inception Networks para processar vários fatores e ativos em conjunto.

O modelo aprende representações a partir dos retornos e gera tamanhos de posições na carteira com o objetivo de maximizar o índice de Sharpe. O artigo compara seus resultados com estratégias de momentum e reversão à média baseadas em regras e relata que MFIN produz uma estratégia com Sharpe mais alto e menor correlação, diferente dos fatores convencionais elaborados manualmente. Também relata retornos contínuos em 2022–2023, quando as estratégias comparadas e o mercado cripto em geral tiveram desempenho ruim. O trecho não apresenta detalhes da configuração experimental, medidas numéricas de desempenho ou análise de custos de transação, portanto é insuficiente para avaliar a robustez ou a viabilidade prática do trading.

Ideias principais

• MFIN amplia as Deep Inception Networks para lidar com vários ativos e fatores em uma única estrutura de trading.
• A abordagem é motivada pela disponibilidade de métricas de cripto atualizadas com frequência e pelo histórico curto de muitos ativos.
• O modelo aprende com os retornos e escolhe os tamanhos das posições na carteira para otimizar o índice de Sharpe.
• O artigo relata que sua estratégia tem menor correlação com abordagens de momentum e reversão à média baseadas em regras.
• O trecho afirma que os retornos persistiram em 2022–2023, mas não apresenta números nem detalhes de implementação.

Tags

# Multi-Factor Inception: What to Do with All of These Features?


# Multi-Factor Inception: What to Do with All of These Features?









Cryptocurrency trading represents a nascent field of research, with growing adoption in industry. Aided by its decentralised nature, many metrics describing cryptocurrencies are accessible with a simple Google search and update frequently, usually at least on a daily basis. This presents a promising opportunity for data-driven systematic trading research, where limited historical data can be augmented with additional features, such as hashrate or Google Trends. However, one question naturally arises: how to effectively select and process these features? In this paper, we introduce Multi-Factor Inception Networks (MFIN), an end-to-end framework for systematic trading with multiple assets and factors. MFINs extend Deep Inception Networks (DIN) to operate in a multi-factor context. Similar to DINs, MFIN models automatically learn features from returns data and output position sizes that optimise portfolio Sharpe ratio. Compared to a range of rule-based momentum and reversion strategies, MFINs learn an uncorrelated, higher-Sharpe strategy that is not captured by traditional, hand-crafted factors. In particular, MFIN models continue to achieve consistent returns over the most recent years (2022-2023), where traditional strategies and the wider cryptocurrency market have underperformed.

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.