Глубокие нейросети для импульсной стратегии и размера позиции

Сводка

В статье представлены Deep Momentum Networks, сочетающие глубокое обучение с механизмом масштабирования по волатильности, применяемым в импульсных стратегиях на временных рядах. Нейросеть совместно оценивает тренд и размер позиции; её параметры обучаются для оптимизации коэффициента Шарпа сигнала. Благодаря этому нет необходимости задавать эти компоненты по отдельности вручную.

В бэктестах на 88 непрерывных фьючерсных контрактах версия на основе LSTM показала коэффициент Шарпа более чем вдвое выше, чем у традиционных методов, до учёта транзакционных издержек, и продолжила превосходить их при издержках до 2–3 базисных пунктов. Авторы также добавляют регуляризацию оборота, чтобы обучение учитывало торговые издержки, в том числе для менее ликвидных активов. Доказательства ограничены описанными бэктестами; в сводке не указаны период оценки, подробности бенчмарка и то, обобщаются ли результаты на контракты и предположения об издержках за пределами тестирования.

Ключевые идеи

• Сеть совместно оценивает тренд и размер позиции в импульсной стратегии с масштабированием по волатильности.
• При обучении напрямую оптимизируется коэффициент Шарпа получаемого торгового сигнала.
• Бэктесты на 88 непрерывных фьючерсных контрактах показывают более высокие коэффициенты Шарпа по сравнению с традиционными методами.
• Слагаемое регуляризации оборота позволяет модели учитывать торговые издержки при обучении.

Теги

# 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.

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.