論文の概要: Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection

• arxiv url: http://arxiv.org/abs/2105.13727v1
• Date: Fri, 28 May 2021 10:46:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:46:00.321094
• Title: Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection
• Title（参考訳）: Slow Momentum with Fast Reversion: A Trading Strategy using Deep Learning and Changepoint Detection
• Authors: Kieran Wood, Stephen Roberts, Stefan Zohren
• Abstract要約: 我々は、Deep Momentum Network (DMN) パイプラインにオンライン変更点検出(CPD)モジュールを導入する。 我々のCPDモジュールは、変化点の位置と重大度スコアを出力し、モデルが不均衡の度合いに反応することを学べる。 1990-2020年の間、50, Liquid, Continuous Futures のポートフォリオを使用して CPD モジュールを追加することで、Sharpe 比が 33%$ になる。
• 参考スコア（独自算出の注目度）: 2.9005223064604078
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Momentum strategies are an important part of alternative investments and are at the heart of commodity trading advisors (CTAs). These strategies have however been found to have difficulties adjusting to rapid changes in market conditions, such as during the 2020 market crash. In particular, immediately after momentum turning points, where a trend reverses from an uptrend (downtrend) to a downtrend (uptrend), time-series momentum (TSMOM) strategies are prone to making bad bets. To improve the response to regime change, we introduce a novel approach, where we insert an online change-point detection (CPD) module into a Deep Momentum Network (DMN) [1904.04912] pipeline, which uses an LSTM deep-learning architecture to simultaneously learn both trend estimation and position sizing. Furthermore, our model is able to optimise the way in which it balances 1) a slow momentum strategy which exploits persisting trends, but does not overreact to localised price moves, and 2) a fast mean-reversion strategy regime by quickly flipping its position, then swapping it back again to exploit localised price moves. Our CPD module outputs a changepoint location and severity score, allowing our model to learn to respond to varying degrees of disequilibrium, or smaller and more localised changepoints, in a data driven manner. Using a portfolio of 50, liquid, continuous futures contracts over the period 1990-2020, the addition of the CPD module leads to an improvement in Sharpe ratio of $33\%$. Even more notably, this module is especially beneficial in periods of significant nonstationarity, and in particular, over the most recent years tested (2015-2020) the performance boost is approximately $400\%$. This is especially interesting as traditional momentum strategies have been underperforming in this period.
• Abstract（参考訳）: モーメント戦略は代替投資の重要な部分であり、コモディティ・トレーディング・アドバイザー(ctas)の中心にある。 しかし、これらの戦略は、2020年の市場崩壊など、市場状況の急速な変化に適応することが困難であることが判明している。 特に、傾向がアップトレンド(ダウントレンド)からダウントレンド(アップトレンド)に反転するモーメントターニングポイントの直後に、時系列モーメント(tsmom)戦略は悪い賭けをする傾向がある。 状況変化に対する応答を改善するために、我々は、LSTMディープラーニングアーキテクチャを用いてトレンド推定と位置サイズの両方を同時に学習するDeep Momentum Network (DMN) [1904.04912]パイプラインにオンライン変更点検出(CPD)モジュールを挿入する、新しいアプローチを導入する。 さらに, モデルでは, 1) 持続的な傾向を生かしながら, 局所的な価格変動に過度に反応しない緩やかなモーメント戦略, 2) 位置を素早く反転させ, 再度交換して局所的な価格変動を利用する高速な平均回帰戦略体制を最適化することができる。 我々のCPDモジュールは、変化点位置と重大度スコアを出力し、データ駆動方式で様々な不均衡、あるいはより小さくより局所的な変化点に対応することを学習する。 1990-2020年の間、50, Liquid, Continuous Futures のポートフォリオを使用して CPD モジュールを追加することで、Sharpe 比が 33\%$ に改善される。 さらに注目すべきは、このモジュールは重要な非定常性の期間において特に有益であり、特に最近のテスト(2015-2020)では、パフォーマンスの向上は約400\%$である。 従来のモメンタム戦略は、この時期にはパフォーマンスが低かったため、これは特に興味深い。

関連論文リスト

• Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies [19.781410315594144]
  本稿では,新しい市場環境に迅速に適応できる時系列トレンド追従予測器を提案する。 X-Trendは、金融時系列体制のコンテキストセットに参画する役割を担っている。 新型コロナウイルス(COVID-19)の減少から回復する戦略は、ニューラルネットワークによる時系列トレンド予測の2倍の速さで回復する。
  論文  参考訳（メタデータ） (2023-10-16T15:20:12Z)
• Deep Policy Gradient Methods in Commodity Markets [0.0]
  トレーダーは流動性を提供し、ボラティリティを下げることで市場の安定化に重要な役割を果たしている。 本論文は,商品取引における深層強化学習手法の有効性について考察する。
  論文  参考訳（メタデータ） (2023-06-14T11:50:23Z)
• Variance-Reduced Gradient Estimation via Noise-Reuse in Online Evolution Strategies [50.10277748405355]
  Noise-Reuse Evolution Strategies (NRES) は、非バイアスのオンライン進化戦略の一般的なクラスである。 NRESの結果は既存のAD法やES法よりも早く,様々なアプリケーションにまたがるウォールクロック時間とステップ数で収束することを示す。
  論文  参考訳（メタデータ） (2023-04-21T17:53:05Z)
• Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
  消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。 我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。 提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
  論文  参考訳（メタデータ） (2023-03-28T00:23:23Z)
• Hierarchical Deep Reinforcement Learning for VWAP Strategy Optimization [9.430129571478629]
  本稿では,市場パターンを把握し,時間スケールの異なる命令を実行するための,深層学習と階層型強化学習アーキテクチャを提案する。 提案手法は,VWAPスリップにおけるベースラインよりも高い性能を示し,平均コストは,最適ベースラインと比較して1.16塩基ポイントである。
  論文  参考訳（メタデータ） (2022-12-11T07:35:26Z)
• Trading with the Momentum Transformer: An Intelligent and Interpretable Architecture [2.580765958706854]
  我々は、ベンチマークを上回るアテンションベースのアーキテクチャであるMomentum Transformerを紹介した。 注意パターンの顕著な構造を観察し,運動量回転点における重要なピークを観測した。 解釈可能な変数選択ネットワークを追加することで、PDは日々のリターンデータに基づいて、モデルがトレーディングから遠ざけるのにどう役立つかを観察する。
  論文  参考訳（メタデータ） (2021-12-16T00:04:12Z)
• Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
  本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。 ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。 2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
  論文  参考訳（メタデータ） (2021-09-14T18:50:38Z)
• Time your hedge with Deep Reinforcement Learning [0.0]
  深層強化学習(DRL)は、市場情報とヘッジ戦略の割り当て決定の間のダイナミックな依存関係を作成することで、この課題に対処することができる。 i)行動決定に追加の文脈情報を使用し、(ii)共通の資産運用者の1日のラグ転倒を考慮し、ヘッジの再均衡を図るための観察と行動の間に1期間の遅れがあり、(iii)アンカードウォークフォワードトレーニングと呼ばれる反復的な試験方法により、安定性とロバスト性の観点から完全にテストされており、(iv)時系列のkフォールドクロスバリデーションと同様に、ヘッジの活用を可能にする。
  論文  参考訳（メタデータ） (2020-09-16T06:43:41Z)
• Deep Stock Predictions [58.720142291102135]
  本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。 次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。 カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
  論文  参考訳（メタデータ） (2020-06-08T23:37:47Z)
• A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
  再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。 欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。 本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。 その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
  論文  参考訳（メタデータ） (2020-04-13T13:50:13Z)
• Momentum Improves Normalized SGD [51.27183254738711]
  モーメントを追加することで、目的に対する大きなバッチサイズの必要性を確実に排除できることを示す。 本稿では,ResNet-50 や BERT といった大規模タスクの事前学習において,提案手法が有効であることを示す。
  論文  参考訳（メタデータ） (2020-02-09T07:00:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。