Mạng nơ-ron sâu cho động lượng chuỗi thời gian và quy mô vị thế

Tóm tắt

Bài báo trình bày Deep Momentum Networks, kết hợp học sâu với khuôn khổ điều chỉnh theo biến động được dùng trong động lượng chuỗi thời gian. Mạng nơ-ron đồng thời học các ước lượng xu hướng và quy mô vị thế, với các tham số được huấn luyện để tối ưu hóa tỷ lệ Sharpe của tín hiệu. Cách làm này loại bỏ nhu cầu phải xác định riêng từng thành phần bằng tay.

Các kiểm thử lịch sử trên 88 hợp đồng tương lai liên tục cho thấy phiên bản dựa trên LSTM đạt tỷ lệ Sharpe cao hơn gấp đôi so với các phương pháp truyền thống trước chi phí giao dịch, và tiếp tục vượt trội khi chi phí lên đến 2–3 điểm cơ bản. Các tác giả còn bổ sung điều chuẩn hóa vòng quay để quá trình huấn luyện tính đến chi phí giao dịch, kể cả với tài sản kém thanh khoản hơn. Bằng chứng chỉ giới hạn ở các kiểm thử lịch sử được báo cáo; phần tóm tắt không nêu giai đoạn đánh giá, chi tiết chuẩn so sánh hay việc kết quả có khái quát được ngoài các hợp đồng và giả định chi phí đã kiểm tra hay không.

Ý chính

• Mạng học đồng thời cách ước lượng xu hướng và xác định quy mô vị thế trong khuôn khổ động lượng điều chỉnh theo biến động.
• Quá trình huấn luyện trực tiếp tối ưu hóa tỷ lệ Sharpe của tín hiệu giao dịch tạo ra.
• Kiểm thử lịch sử trên 88 hợp đồng tương lai liên tục cho thấy tỷ lệ Sharpe cải thiện so với các phương pháp truyền thống.
• Một thành phần điều chuẩn hóa vòng quay cho phép mô hình tính đến chi phí giao dịch trong quá trình huấn luyện.

Thẻ

# 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.

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.