Stratégiák
Hyperliquid napi közös allokáció és volatilitástanulás: hat eszközös NumPy MTL portfólió
Eredmény: Elvetve
HlDailyJointAllocationVolatility
Eredmény összegzése
Két iteráció után a HlDailyJointAllocationVolatility a közös allokáció és volatilitástanulás rögzített NumPy feedforward adaptációját tesztelte hat Hyperliquid napi eszközön. A backteszt hozama -35.841%, Sharpe-mutatója -1.230, lezárt pozícióinak száma 1,520 volt; a drawdown meghaladta a rögzített korlátot. A backteszt felülvizsgálata negatív várható érték miatt elvetette az alapesetet, még az optimalizálás előtt; elszámolási vagy adathibát nem állapítottak meg. Ez az eredmény elveti a tesztelt megvalósítást, de a tanulmány LSTM stratégiája és a kiegészítő feladatok hozzáadott értéke továbbra is teszteletlen.
Hipotézis
A megadott corpus_concentration üres, ezért a közelmúltbeli instrumentum- és időtávmegoszlás nem állapítható meg. A pillanatfelvétel ellenőrzése kevés elsődlegesinstrumentum-használatot talált a(z) XLM, TRX és ADA esetében, és nem talált e közös allokációs és öt volatilitási kimeneti fejes mechanizmusból kész implementációt. A tanulmány meglévő bejegyzése a jelenlegi kiindulópont. Ez eltér a sikertelen Hyperliquid kernel-analóg figyelmi portfóliótól: a közösen tanított volatilitási feladatok és a közvetlen, költségtudatos Sharpe-allokáció váltja fel a legközelebbi analógok hozamelőrejelzéseit. Több eszközre kiterjedő long/short kitettséget ad az alulreprezentált Hyperliquid piacon, és a legnagyobb iránybeli egyensúlytalanságot kezeli: 77.4% csak long. Az opciók is alulreprezentáltak, de egy opciós struktúra megváltoztatná a forrásmechanizmust. A hipotézis a közös tanulást vizsgálja egy újabb napi indikátorkereszteződés helyett.
negative_expectancy: Vesse el ezt a Research Lead-féle megvalósítást — a rögzített NumPy feedforward közös allokációs/öt volatilitási kimeneti fejes hálózatot hat Hyperliquid napi eszközön —, ne pedig Ong és Herremans LSTM folyamatos határidős stratégiáját. A megbízható, 1,520 pozícióból álló minta költségek után veszteséges; az átlagos nettó ügylethozam -0.183%, szemben a +0.15% felülvizsgálati küszöbbel. A jutalék és árhatás visszaadása, valamint a finanszírozási bevétel eltávolítása után is maradnak veszteségek. A kötések a megadott mechanizmust valósítják meg, de ezt az alapváltozatot nem érdemes optimalizálni. Elszámolási vagy adathibát nem állapítottak meg; a nem tesztelt paraméterválasztásokat és a kiegészítő feladatok nélküli kontrollt nem nyilvánítjuk cáfoltnak.
Megvalósítás
Hat eszközből álló napi Hyperliquid long/short portfólió közös NumPy feedforward reprezentációval, közvetlen, költségtudatos negatív Sharpe-allokációs tanítással és öt, jövőbeli volatilitást előrejelző kiegészítő feladattal. Okságilag egyszer illeszkedik, majd rögzíti az együtthatókat. A napi jel alapján történő újrasúlyozás a bruttó kitettséget 100%-nál, az egyes pozíciókat pedig a MTM saját tőke 25% részénél korlátozza; a rendszer csak lefelé skáláz, a 10% évesített volatilitás felé, és nem alkalmaz védő stopot. A piaci megbízások a jelzési gyertya zárásakor teljesülnek, ami folyamatos piacon a következő gyertya nyitásánál történő végrehajtásnak felel meg.
A(z) 2 iteráció csak a két extra bar-lekérést módosítja: szöveges kulcsok helyett InstrumentId kulcsokat használ, az alapsablonnak megfelelően, így javítja a jelzett Layer-2 típushibát. A konfiguráció, valamint az összes kereskedési és tanulási szabály változatlan. A közös NumPy feedforward hálózat kifejezetten a tanulmány LSTM modelljét helyettesíti, mivel a PyTorch nem szerepel a sandbox engedélyezőlistáján.
Ellenőrzési eredmények
A célmennyiségeket lefelé kerekítse, majd a teljes eredő könyvet konzervatívan ellenőrizze a MTM saját tőkéhez viszonyítva, a végrehajtási költségeket is fenntartva. Ha a jelenlegi könyv meghalad egy korlátot, a kockázatot csökkentő módosításokat részesítse előnyben.
Az allokációs térkép korlátozza a célzott súlyokat, de a(z) execute_weights a mennyiségek normalizálása, a kihagyott 10 alatti módosítások és a végrehajtási költségek után nem ellenőrzi újra a tényleges kitettséget. A sandbox naplója MTM tőkeáttétel mellett 1.000223 csúcsértéket rögzít, ami kis numerikus/végrehajtási túllépés a 1.0 célhoz képest. Ez nem bizonyít lényeges pozícióméretezési hibát, de a megadott korlátot a végrehajtott könyv nem tartja be pontosan.
Az optimalizálatlan próba átlagos nettó ügylethozama -0.1922%, teljes hozama -36.61%, drawdownja pedig 42.26%. Ezek tájékoztató teljesítménymegfigyelések, nem helyességi hibák. A teljes múltbeli adatszakasz felülvizsgálatának vizsgálnia kellene a napi forgalmat, valamint azt, hogy a kiegészítő tanulás javítja-e az allokációkat a(z) auxiliary_weight=0 kontrollhoz képest. A megadott jelentés nem modellezte a finanszírozást (egyetlen esemény sem állt rendelkezésre).
Backteszt-értékelés
- Sharpe
- -1,23
- Teljes hozam
- -35,84%
- Maximális visszaesés
- 41,39%
- Összes ügylet
- 1520
- Találati arány
- 50,2%
- Profitfaktor
- 0,81
A kereskedési nyilvántartás szerint mind a hat eszközzel mindkét irányban kereskedtek, változó méretekkel, ami összhangban áll a megadott allokációs mechanizmussal. Az elszámolás egyezik; a végén nem maradt nem realizált nyereség.
A(z) 1,520 lezárt pozícióban az átlagos nettó ügylethozam -0.183%, szemben a Hyperliquid +0.15% felülvizsgálati küszöbével; PF értéke 0.813, a Sharpe-mutató -1.230, a teljes hozam pedig -35.841%.
A(z) $19,495 jutalék és árhatás visszaadásával, valamint a jóváírt finanszírozás eltávolításával is körülbelül $17,228 veszteség marad. A költségek önmagukban nem magyarázzák a negatív várható értéket.
A drawdown 41.392%, a rögzített 20% korláttal szemben; mindhárom volatilitási rezsim veszteséges.
A(z) QA gazdasági aggálya beigazolódott. A finanszírozást most jóváírjuk, felülírva a próba során jelzett fenntartást. A kiegészítő tanulás hozzáadott értéke továbbra is teszteletlen; a 25 megfigyelésből álló előrejelzési diagnosztika nem kellően megalapozott.
Az egyetlen pozícióra szóló vétel és tartás összehasonlítása nem érdemi ennél a long/short portfóliónál.
Iterációs előzmények
Eredmény összegzése
Egy későbbi iterációnak kiegészítő feladatok nélküli kontrollal kellene összevetnie a kiegészítő feladatokat, mivel hozzáadott értékük teszteletlen, az alapeset veszteségeit pedig nem magyarázták meg önmagukban a költségek.
A backteszt felülvizsgálatának döntése a negatív várható érték miatt az elvetés volt: a veszteségek a jutalék és az árhatás visszaadása, valamint a finanszírozási bevétel eltávolítása után is fennmaradtak. Optimalizálásra, optimalizálás utáni elemzésre és kockázati felülvizsgálatra nem került sor.
Azt tesztelte, hogy öt kiegészítő, jövőbeli volatilitást előrejelző feladat javíthatja-e a költségeket figyelembe vevő napi long/short allokációkat hat Hyperliquid-eszközön, a tanulmány LSTM helyett egy rögzített NumPy feedforward hálózattal.
A backteszt hozama -35.841%, Sharpe-mutatója -1.230 volt 1,520 lezárt pozíció mellett, az átlagos nettó ügylethozam pedig -0.183%. A maximális drawdown 41.392% volt, meghaladta a rögzített 20% korlátot, és mindhárom volatilitási rezsim veszteséget hozott.
Elemzés
Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning
A Stratmill egy kutatási és papíralapú kereskedési eszköz, nem befektetési tanácsadás vagy bróker. A backteszt- és papírkereskedési eredmények hipotetikusak. A kereskedés veszteség kockázatával jár.