QuantNet transfere tendências entre estratégias de trading de ações
Resumo
QuantNet é uma arquitetura de aprendizado para criar estratégias de trading em vários mercados de ações. Cada mercado tem seu próprio codificador e decodificador: o codificador representa os dados locais do mercado, um modelo global compartilhado processa informações entre mercados e o decodificador combina sinais locais e globais para produzir uma estratégia específica para cada mercado. Esse desenho busca captar padrões transferíveis e, ao mesmo tempo, permitir que o modelo de cada mercado se adapte às suas características.
O artigo avalia a abordagem com dados históricos de 3,103 ativos em 58 mercados de ações. Relata índices de Sharpe e Calmar mais altos do que os da referência com melhor desempenho e de uma versão sem aprendizado por transferência. O resumo não descreve o período da avaliação, os custos de transação nem os detalhes da implementação; portanto, apenas as comparações relatadas não estabelecem como a estratégia funcionaria ao vivo ou em outras configurações.
Ideias principais
- QuantNet combina codificadores e decodificadores específicos de cada mercado com um modelo global compartilhado entre mercados.
- O componente global busca aprender padrões comuns de trading a partir de vários mercados.
- Parâmetros específicos de cada mercado podem adaptar a estratégia aos dados locais.
- O estudo relata melhora nos índices de Sharpe e Calmar em comparação com uma referência e uma variante sem transferência.
- O resumo não especifica custos, período de avaliação ou resultados de trading ao vivo.
Tags
Texto completo
# 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.
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.