慢动量快回归：一种利用深度学习与变点检测的交易策略
机器学习
2021-12-21 v3 机器学习
交易与市场微观结构
摘要
动量策略是另类投资的重要组成部分，并且是商品交易顾问 (CTA) 的核心。然而，这些策略被发现难以适应市场条件的快速变化，例如 2020 年市场崩盘期间。特别地，在动量拐点之后——即趋势从上升（下降）逆转为下降（上升）——时间序列动量 (TSMOM) 策略易于做出糟糕的押注。为改善对体制变化的响应，我们引入一种新方法，将在线变点检测 (CPD) 模块插入 Deep Momentum Network (DMN) [1904.04912] 流水线中，该流水线使用 LSTM 深度学习架构同时学习趋势估计与仓位规模。此外，我们的模型能够优化其平衡方式：(1) 一种利用持续趋势但不对局部价格变动过度反应的慢动量策略，以及 (2) 一种通过快速翻转其头寸然后再次换回以利用局部价格变动的快均值回归策略体制。我们的 CPD 模块输出变点位置与严重度分数，使我们的模型能以数据驱动的方式学会对不同程度的失衡或更小更局部的变点做出响应。在 1995–2020 年期间对我们的模型进行回测，CPD 模块的加入使夏普比率提升了三分之一。该模块在非平稳性显著的时期尤其有益，特别地，在测试的最近年份 (2015–2020) 性能提升约为三分之二。这很有趣，因为传统动量策略在该时期表现不佳。
引用
@article{arxiv.2105.13727,
title = {Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection},
author = {Kieran Wood and Stephen Roberts and Stefan Zohren},
journal= {arXiv preprint arXiv:2105.13727},
year = {2021}
}
备注
minor changes made to methodology to match implementation