Нейросеть со сменой режимов для импульса и разворота акций

Сводка

В статье описан подход глубокого обучения к отбору портфеля акций в US. Остаточная сеть с переключением использует один модуль для определения рыночных условий, а другой — для прогнозирования импульса и разворота, переключаясь между двумя типами сигналов по мере смены режимов. Архитектура объединяет остаточные сети, блоки, расположенные последовательно и призванные помочь контролировать переобучение на шумных финансовых данных, и механизм внимания, предназначенный для повышения точности прогнозов.

За период с 2008 по первую половину 2017 авторы сообщают средний годовой коэффициент Шарпа 2.22 для предложенной стратегии против 0.81 для стратегии на основе искусственной нейронной сети и 0.69 для линейной модели. Это представленные результаты вне выборки; во фрагменте нет деталей построения портфеля, торговых издержек, реализации базовых моделей или устойчивости на других периодах и рынках. Таким образом, показатели описывают проверенные в исследовании условия и не доказывают, что метод сохранит результаты при торговле на реальном счёте или в других условиях.

Ключевые идеи

• Сеть использует модуль переключения для определения рыночных режимов и отдельный модуль для прогнозирования импульса или разворота, переключаясь между этими сигналами по мере смены режимов.
• Остаточные блоки используются, чтобы помочь контролировать переобучение на зашумлённых финансовых данных.
• Авторы сообщают о более высоком коэффициенте Шарпа вне выборки, чем у двух базовых моделей, за указанный период.
• Во фрагменте не описаны торговые издержки или результаты за пределами проверенного периода.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.