Stratégies

Allocation conjointe et apprentissage de la volatilité sur Hyperliquid au quotidien : portefeuille NumPy MTL sur six actifs

Résultat: Abandonné

HlDailyJointAllocationVolatility

Résumé des résultats

Après deux itérations, HlDailyJointAllocationVolatility a testé une adaptation NumPy figée de l’allocation conjointe et de l’apprentissage de la volatilité sur six actifs quotidiens d’Hyperliquid. Son backtest a produit un rendement de -35.841%, un ratio de Sharpe de -1.230 et 1,520 positions clôturées, avec un drawdown dépassant la limite enregistrée. L’examen du backtest a conduit à abandonner la base en raison de son espérance négative, avant toute optimisation ; aucun défaut comptable ou de données n’a été établi. Ce résultat rejette l’opérationnalisation testée, tandis que la stratégie LSTM de l’article et la contribution incrémentale des tâches auxiliaires restent non testées.

Rapport de stratégie

Hypothèse

Adaptation conçue par le responsable de la recherche à partir de Joel Ong et Dorien Herremans, Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning : tester si l’apprentissage auxiliaire de la volatilité future améliore les allocations long/short tenant compte des coûts. Cette opérationnalisation conserve l’apprentissage conjoint des représentations, l’entraînement direct de l’allocation selon le ratio de Sharpe négatif et cinq tâches auxiliaires de volatilité. Elle ne reproduit ni l’univers de contrats à terme continus ni les performances rapportées dans l’article. Utiliser des bougies Hyperliquid synchronisées de 1 à DAY. Remplacer le LSTM par un réseau feedforward NumPy partagé, car PyTorch ne figure pas dans la liste d’importations autorisées du bac à sable de stratégie ; signaler explicitement cette modification architecturale. Entraîner une seule fois sur un bloc historique causal initial, puis figer les coefficients dans chaque fenêtre d’évaluation et en déploiement. Voie de contrôle du risque (b) : rééquilibrage fondé sur le signal, exposition brute maximale de 100% des fonds propres de MTM, exposition individuelle maximale de 25%, levier 1. Viser une volatilité annualisée ex ante de 10% en réduisant uniquement l’exposition. Aucun stop de protection n’est ajouté.

Le corpus_concentration fourni est vide ; il est donc impossible d’inférer les parts récentes par instrument et par période. Les vérifications des instantanés indiquent une faible utilisation des instruments principaux pour XLM, TRX et ADA, ainsi qu’aucune mise en œuvre achevée de ce mécanisme combinant allocation et cinq têtes de volatilité. L’entrée existante de l’article constitue la base actuelle. Cette approche diffère du portefeuille Hyperliquid à attention par analogues de noyau qui a échoué : les tâches de volatilité entraînées conjointement et l’allocation directe selon le ratio de Sharpe tenant compte des coûts remplacent les prévisions de rendement par analogues proches. Elle ajoute une exposition long/short multi-actifs à Hyperliquid, marché sous-représenté, et traite le déséquilibre directionnel le plus marqué, 77.4% en position longue uniquement. Les options sont également sous-représentées, mais une structure d’options modifierait le mécanisme source. L’hypothèse porte sur l’apprentissage conjoint, plutôt que sur un autre croisement d’indicateurs quotidiens.

negative_expectancy : Rejeter cette opérationnalisation du responsable de la recherche — réseau feedforward NumPy figé combinant allocation et cinq têtes de volatilité sur six actifs quotidiens Hyperliquid — et non la stratégie LSTM d’Ong et Herremans sur contrats à terme continus. L’échantillon fiable de 1,520 positions est déficitaire après coûts, avec un rendement net moyen par transaction de -0.183%, contre le seuil d’examen de +0.15%. Les pertes subsistent après réintégration des commissions et de l’impact et suppression des revenus de financement. Les transactions appliquent le mécanisme décrit, mais cette base ne mérite pas d’être optimisée. Aucun défaut comptable ou de données n’est établi ; les choix de paramètres non testés et le contrôle sans tâches auxiliaires ne sont pas déclarés réfutés.

Implémentation

Portefeuille quotidien long/short de six actifs Hyperliquid, avec représentation feedforward NumPy partagée, entraînement direct de l’allocation selon le ratio de Sharpe négatif tenant compte des coûts et cinq tâches auxiliaires de prévision de la volatilité future. Ajustement causal effectué une seule fois, puis coefficients figés. Le rééquilibrage quotidien du signal plafonne l’exposition brute à 100% et chaque position à 25% des fonds propres de MTM, avec une réduction uniquement à la baisse pour viser une volatilité annualisée de 10% et sans stop de protection. Les ordres au marché sont exécutés au cours de clôture du signal, équivalent continu de l’exécution à l’ouverture de la bougie suivante.

L’itération 2 ne modifie que les deux recherches supplémentaires de bougies : les clés de type chaîne deviennent des clés InstrumentId, comme dans le modèle de base, ce qui corrige l’erreur de type Layer-2 signalée. La configuration et toutes les règles de trading et d’apprentissage sont conservées. Le réseau feedforward NumPy partagé remplace explicitement le LSTM de l’article, car PyTorch ne figure pas dans la liste d’autorisation du bac à sable.

Résultats de vérification

Arrondir les quantités cibles à la baisse et vérifier prudemment le portefeuille complet qui en résulte par rapport aux fonds propres de MTM, en réservant les coûts d’exécution. Prioriser les ajustements qui réduisent le risque lorsque le portefeuille actuel dépasse un plafond.

La carte d’allocation limite les poids cibles, mais execute_weights ne revérifie pas l’exposition réelle après normalisation des quantités, ajustements inférieurs à $10 ignorés et coûts d’exécution. Le bac à sable enregistre un levier maximal de 1.000223 pour MTM, léger dépassement numérique ou lié à l’exécution de la cible 1.0. Cela ne prouve pas un défaut significatif de dimensionnement, mais le plafond annoncé n’est pas appliqué exactement au portefeuille exécuté.

Le test rapide non optimisé indique un rendement net moyen par transaction de -0.1922%, un rendement total de -36.61% et un drawdown de 42.26%. Il s’agit d’observations indicatives sur la performance, pas d’échecs de validité. L’examen de l’historique complet devrait porter sur la rotation quotidienne et sur la capacité de l’apprentissage auxiliaire à améliorer les allocations par rapport à un contrôle auxiliary_weight=0. Le rapport fourni ne modélisait pas le financement (aucun événement disponible).

Revue du backtest

Sharpe: -1,23
Rendement total: -35,84%
Drawdown max: 41,39%
Total des transactions: 1520
Taux de réussite: 50,2%
Facteur de profit: 0,81

Les relevés de transactions montrent que les six actifs sont négociés dans les deux sens, avec des tailles variables, conformément au mécanisme d’allocation décrit. La comptabilité est cohérente ; aucun gain latent ne subsiste à la clôture.

Sur 1,520 positions clôturées, le rendement net moyen par transaction est de -0.183%, contre le seuil d’examen Hyperliquid de +0.15% ; PF s’établit à 0.813, le ratio de Sharpe à -1.230 et le rendement total à -35.841%.

Même en réintégrant $19,495 de commissions et d’impact et en supprimant les financements crédités, les pertes restent proches de $17,228. Les coûts seuls n’expliquent pas l’espérance négative.

Le drawdown est de 41.392%, contre la limite enregistrée de 20% ; les trois régimes de volatilité sont déficitaires.

La préoccupation économique de QA est confirmée. Le financement est désormais crédité, ce qui remplace la réserve du test rapide. La contribution incrémentale de l’apprentissage auxiliaire reste non testée ; le diagnostic de prévision sur 25 observations manque de puissance.

La comparaison avec un achat-conservation sur une seule position n’est pas pertinente pour ce portefeuille long/short.

Historique des itérations

Échec de la vérification (Layer 2 — scénarios synthétiques) : Paramètres utilisés : ['seed', 'epsilon', 'leverage', 'adam_beta1', 'adam_beta2', 'max_epochs', 'bar_interval', 'hidden_units', 'min_notional', 'learning_rate', 'training_days', 'rebalance_bars', 'auxiliary_tasks', 'covariance_days', 'feature_rv_bars', 'patience_epochs', 'vol_of_vol_days', 'auxiliary_weight', 'max_leg_fraction', 'gradient_norm_cap', 'target_annual_vol', '_optimization_plan', 'annualization_days', 'max_gross_fraction', 'feature_return_bars', 'training_taker_rate', 'validation_fraction', 'standardization_days', 'training_impact_rate', 'auxiliary_horizon_days'] Vérifier que __init__ définit tous les attributs à partir de self.parameters.get(). - steady_uptrend : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000) - steady_downtrend : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000) - flat_ranging : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000) - volatility_spike : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000) - zero_volume : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000) - price_gap : TypeError : type incorrect pour l’argument « other » (type attendu : nautilus_trader.model.identifiers.InstrumentId, type reçu : str) (horodatage de la bougie : 1737331200000)

Résumé des résultats

Une prochaine itération devrait comparer les tâches auxiliaires à un contrôle sans tâches auxiliaires, car leur contribution incrémentale reste non testée et les pertes de cette base ne s’expliquent pas uniquement par les coûts.

La décision de l’examen du backtest a été l’abandon pour espérance négative : les pertes ont persisté même après réintégration des commissions et de l’impact et suppression des revenus de financement. L’optimisation, l’analyse après optimisation et l’examen du risque n’ont pas été entrepris.

L’étude a testé si cinq tâches auxiliaires de prévision de la volatilité future pouvaient améliorer les allocations long/short quotidiennes tenant compte des coûts sur six actifs Hyperliquid, à l’aide d’un réseau feedforward NumPy figé à la place du LSTM de l’article.

Le backtest a généré -35.841%, avec un ratio de Sharpe de -1.230 sur 1,520 positions clôturées et un rendement net moyen par transaction de -0.183%. Le drawdown maximal a atteint 41.392%, au-dessus de la limite enregistrée de 20%, et les trois régimes de volatilité ont été déficitaires.

Analyse

Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning

Stratmill est un outil de recherche et de paper trading, pas un conseil financier ni un courtier. Les résultats de backtest et de paper trading sont hypothétiques. Le trading comporte un risque de perte.