利用深度神经网络增强时间序列动量策略
机器学习
2020-09-29 v3 机器学习
交易与市场微观结构
摘要
尽管时间序列动量在金融中是已被充分研究的现象，但常见策略需要显式定义趋势估计量和仓位调整规则。本文引入深度动量网络（Deep Momentum Networks）——一种将基于深度学习的交易规则注入时间序列动量的波动率缩放框架的混合方法。该模型还以数据驱动的方式同时学习趋势估计与仓位调整，网络通过直接优化信号的夏普比率进行训练。在由88个连续期货合约组成的投资组合上回测，我们证明在无交易成本时，夏普优化的LSTM将传统方法的性能提升两倍以上，并且在考虑高达2-3个基点的交易成本时仍持续优于传统方法。为考虑流动性更差的资产，我们还提出一种换手率正则化项，使网络在运行时将成本纳入考量。
引用
@article{arxiv.1904.04912,
title = {Enhancing Time Series Momentum Strategies Using Deep Neural Networks},
author = {Bryan Lim and Stefan Zohren and Stephen Roberts},
journal= {arXiv preprint arXiv:1904.04912},
year = {2020}
}