ٹائم سیریز مومینٹم اور پوزیشن سائزنگ کے لیے ڈیپ نیورل نیٹ ورکس

خلاصہ

مقالہ ڈیپ مومینٹم نیٹ ورکس پیش کرتا ہے، جو ڈیپ لرننگ کو ٹائم سیریز مومینٹم میں استعمال ہونے والے اتار چڑھاؤ کی بنیاد پر پیمانہ بندی کے فریم ورک کے ساتھ ملاتے ہیں۔ ایک نیورل نیٹ ورک رجحان کے تخمینے اور پوزیشن کے حجم بیک وقت سیکھتا ہے، اور اس کے پیرامیٹرز سگنل کے شارپ تناسب کو بہتر بنانے کے لیے تربیت پاتے ہیں۔ اس سے ان اجزا کو الگ الگ دستی طور پر متعین کرنے کی ضرورت ختم ہو جاتی ہے۔

مسلسل فیوچرز کے 88 معاہدوں پر بیک ٹیسٹ رپورٹ کرتے ہیں کہ LSTM پر مبنی نسخے نے لین دین کے اخراجات سے پہلے روایتی طریقوں کے مقابلے میں دو گنا سے زیادہ شارپ تناسب حاصل کیا، اور 2–3 بیسس پوائنٹس تک اخراجات کے باوجود بہتر کارکردگی جاری رکھی۔ مصنفین ٹرن اوور کی ریگولرائزیشن بھی شامل کرتے ہیں تاکہ تربیت میں ٹریڈنگ اخراجات کا لحاظ رکھا جا سکے، بشمول کم لیکویڈ اثاثوں کے لیے۔ شواہد رپورٹ کردہ بیک ٹیسٹ تک محدود ہیں؛ خلاصے میں جانچ کی مدت، معیارِ موازنہ کی تفصیل یا یہ نہیں بتایا گیا کہ نتائج آزمائے گئے معاہدوں اور اخراجات کے مفروضوں سے آگے بھی لاگو ہوتے ہیں یا نہیں۔

اہم خیالات

• نیٹ ورک اتار چڑھاؤ کے مطابق اسکیل کیے گئے مومینٹم فریم ورک میں رجحان کے تخمینے اور پوزیشن سائزنگ کو مشترکہ طور پر سیکھتا ہے۔
• تربیت براہِ راست نتیجے میں بننے والے ٹریڈنگ سگنل کے شارپ تناسب کو زیادہ سے زیادہ کرنے کے لیے اصلاح کرتی ہے۔
• مسلسل فیوچرز کے 88 معاہدوں پر بیک ٹیسٹ روایتی طریقوں کے مقابلے میں بہتر شارپ تناسب رپورٹ کرتے ہیں۔
• ٹرن اوور کی ریگولرائزیشن ماڈل کو تربیت کے دوران ٹریڈنگ اخراجات کا لحاظ رکھنے دیتی ہے۔

ٹیگز

# 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.

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۔