跳至正文
返回文库全部文档

用于股票动量与反转的市场状态切换神经网络

文章 arXiv papers · 作者: Jifei Wang et al.
阅读原文

总结

本文介绍一种用于US股票投资组合选择的深度学习方法。其残差切换网络使用一个模块识别市场状况，另一个模块生成动量和反转预测，并随市场状态变化在两类信号间切换。该架构结合了残差网络、旨在帮助控制嘈杂金融数据中过拟合的堆叠模块，以及旨在增强预测能力的注意力机制。

在2008至2017上半年的期间，作者报告称，所提策略的年均夏普比率为2.22，而人工神经网络策略和线性模型分别为0.81和0.69。这些是报告的样本外结果；摘录没有说明投资组合构建、交易成本、基准实施方式，或结果在其他时期和市场中的稳健性。因此，这些数值仅反映该研究测试的情境，并不能证明该方法在实盘交易或不同条件下仍能保持其表现。

核心观点

  • 该网络使用切换模块识别市场状态，并由独立模块预测动量或反转。
  • 研究使用残差模块来帮助控制嘈杂金融数据中的过拟合。
  • 作者报告称，在所述样本期内，该方法的样本外夏普表现优于两个基准模型。
  • 摘录未说明交易成本，也未说明测试期以外的表现。

标签

股票机器学习动量均值回归投资组合构建美国市场
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。