QuantNet：跨系统性交易策略的迁移学习
机器学习
2020-07-01 v2 计算金融
投资组合管理
交易与市场微观结构
机器学习
摘要
系统性金融交易策略在股票交易中占交易量的 80% 以上，并在外汇市场中占很大份额。尽管有多个市场的数据可用，当前的交易方法主要依赖于针对单个市场学习交易策略。在本文中，我们朝着开发完全端到端的全球交易策略迈出一步，这些策略利用系统性趋势来产生优越的特定市场交易策略。我们引入 QuantNet：一种学习市场无关趋势并借此学习更优特定市场交易策略的架构。每个特定市场模型由一个编码器-解码器对组成。编码器将特定市场数据转换为由所有市场共享的全局模型处理的抽象潜在表示，而解码器基于来自特定市场编码器和全局模型的局部与全局信息学习特定市场的交易策略。QuantNet 利用迁移学习和元学习的最新进展，其中特定市场参数可自由专用于手头问题，而市场无关参数被驱动以捕获来自所有市场的信号。通过整合特殊市场数据，我们可以学习可泛化的可迁移动态，避免过拟合问题，从而产生具有更优收益的策略。我们在涵盖 58 个全球股票市场中 3103 项资产的历史数据上评估了 QuantNet。与表现最佳的基线相比，QuantNet 的夏普比率高出 51%，Calmar 比率高出 69%。此外，我们展示了我们的方法相对于非迁移学习变体的优势，夏普和 Calmar 比率分别提高了 15% 和 41%。代码见附录。
引用
@article{arxiv.2004.03445,
title = {QuantNet: Transferring Learning Across Systematic Trading Strategies},
author = {Adriano Koshiyama and Sebastian Flennerhag and Stefano B. Blumberg and Nick Firoozye and Philip Treleaven},
journal= {arXiv preprint arXiv:2004.03445},
year = {2020}
}