Mạng nơ-ron chuyển chế độ cho động lượng và đảo chiều cổ phiếu

Tóm tắt

Bài báo mô tả phương pháp học sâu để lựa chọn danh mục cổ phiếu US. Mạng chuyển chế độ phần dư dùng một mô-đun nhận diện điều kiện thị trường và mô-đun khác tạo dự báo động lượng và đảo chiều, chuyển đổi giữa hai loại tín hiệu khi chế độ thay đổi. Kiến trúc kết hợp mạng phần dư, các khối xếp chồng nhằm kiểm soát khớp quá mức trong dữ liệu tài chính nhiễu và cơ chế chú ý nhằm tăng cường khả năng dự báo.

Trong giai đoạn từ 2008 đến nửa đầu năm 2017, các tác giả báo cáo tỷ lệ Sharpe trung bình hằng năm là 2.22 cho chiến lược được đề xuất, so với 0.81 cho chiến lược mạng nơ-ron nhân tạo và 0.69 cho mô hình tuyến tính. Đây là các kết quả ngoài mẫu được báo cáo; phần trích dẫn không nêu chi tiết về cách xây dựng danh mục, chi phí giao dịch, triển khai mô hình đối chứng hay độ vững qua các giai đoạn và thị trường khác. Vì vậy, các con số mô tả bối cảnh được nghiên cứu kiểm định chứ không xác lập rằng phương pháp sẽ duy trì hiệu suất trong giao dịch thực hoặc điều kiện khác.

Ý chính

• Mạng dùng một mô-đun chuyển đổi để nhận diện chế độ thị trường và mô-đun riêng để dự báo động lượng hoặc đảo chiều.
• Các khối phần dư được dùng để hỗ trợ kiểm soát khớp quá mức trong dữ liệu tài chính nhiễu.
• Các tác giả báo cáo hiệu suất Sharpe ngoài mẫu cao hơn hai mô hình đối chứng trong mẫu được nêu.
• Phần trích dẫn không mô tả chi phí giao dịch hay hiệu suất ngoài giai đoạn được kiểm định.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.