حصص میں رفتار اور الٹاؤ کے لیے نظام بدلتا نیورل نیٹ ورک
خلاصہ
یہ مقالہ US کے حصص میں پورٹ فولیو کے انتخاب کے لیے ایک گہری سیکھنے کا طریقہ بیان کرتا ہے۔ اس کا ریزیڈیول سوئچنگ نیٹ ورک ایک ماڈیول سے مارکیٹ کے حالات شناخت کرتا ہے اور دوسرے سے رفتار اور الٹاؤ کی پیش گوئیاں بناتا ہے، پھر نظام بدلنے کے ساتھ دونوں قسم کے اشاروں کے درمیان سوئچ کرتا ہے۔ اس ساخت میں ریزیڈیول نیٹ ورکس، شور والے مالیاتی ڈیٹا میں حد سے زیادہ فِٹ ہونے پر قابو پانے کے لیے بنائے گئے تہہ دار بلاکس، اور پیش گوئی مضبوط کرنے کے لیے توجہ کا طریقۂ کار شامل ہیں۔
2008 سے 2017 کے پہلے نصف تک کے عرصے کے لیے مصنفین مجوزہ اسٹریٹیجی کا اوسط سالانہ شارپ تناسب 2.22 بتاتے ہیں، جبکہ مصنوعی نیورل نیٹ ورک کی اسٹریٹیجی کے لیے 0.81 اور خطی ماڈل کے لیے 0.69 ہے۔ یہ رپورٹ شدہ نمونے سے باہر کے نتائج ہیں؛ اقتباس میں پورٹ فولیو کی تشکیل، ٹریڈنگ کے اخراجات، بینچ مارک کے نفاذ یا دوسرے ادوار اور منڈیوں میں مضبوطی کی تفصیلات نہیں۔ لہٰذا اعداد مطالعے کی آزمودہ ترتیب بیان کرتے ہیں، یہ ثابت نہیں کرتے کہ لائیو ٹریڈنگ یا مختلف حالات میں طریقہ اپنی کارکردگی برقرار رکھے گا۔
اہم خیالات
- نیٹ ورک کا ایک سوئچنگ ماڈیول مارکیٹ کے نظام شناخت کرتا ہے اور الگ ماڈیول رفتار یا الٹاؤ کی پیش گوئی کرتا ہے۔
- شور والے مالیاتی ڈیٹا میں حد سے زیادہ فِٹ ہونے پر قابو پانے کے لیے ریزیڈیول بلاکس استعمال ہوتے ہیں۔
- مصنفین بیان کردہ نمونے میں دو بنیادی ماڈلز کے مقابلے میں نمونے سے باہر شارپ کی بہتر کارکردگی رپورٹ کرتے ہیں۔
- اقتباس میں ٹریڈنگ کے اخراجات یا آزمودہ مدت سے باہر کی کارکردگی بیان نہیں کی گئی۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔