利用深度神经网络增强时间序列动量策略

从今天起，我们每周将为大家解读至少3篇以上的量化学术论文。为大家带来最新的研究成果。

第1篇 20190716

利用深度神经网络增强时间序列动量策略

▍作者

Bryan Lim、Stefan Zohren、Stephen Roberts

Abstract

虽然时间序列动量在金融领域是一个被广泛研究的现象，但一般的策略都需要明确定义趋势估计量和头寸规模。在本文中，我们引入了深度动量网络（Deep Momentum Networks），一种基于深度学习的交易信号与时间序列动量策略中使用的波动率缩放框架相结合的方法。该模型还以数据驱动的方式同时学习趋势估计和位置估计，通过优化信号的夏普比率直接训练网络。对88个连续期货合约的投资组合进行了回测，结果表明，在没有交易成本的情况下，经过Sharpe优化的LSTM方法比传统方法提高了两倍以上，并在考虑交易成本至2-3个基点的情况下，仍优于传统方法。为了解释更多的非流动资产，我们还提出了一个turnover regularisation术语，用于训练网络在运行时考虑成本因素。

解读

尽管许多论文都研究了机器学习在金融时间序列预测中的应用，但它们通常都将潜在预测问题作为一个标准回归或分类任务——回归模型预测预期收益，分类模型预测未来价格走势。然而，由于几个原因，这种方法在时间序列动量中可能会导致表现不理想。

首先，仅根据预期收益确定头寸规模没有考虑风险特征——例如预测收益分布的波动性或偏差——这可能在无意中暴露出大幅下跌的信号。这一点尤其重要，因为在市场恐慌期间，没有足够风险调整的原始动量策略（如波动性扩大）很容易发生大规模崩盘。此外，即使波动性扩大（这将导致收益分布正偏离和类似于long-option的行为），趋势跟踪策略可以让亏损的交易多于盈利的交易，而且总体上仍然有利可图——因为它们只会将规模扩大到较大但在方向移动上却不频繁。盈利交易的比例是一个毫无意义的绩效指标，因为它不能独立于策略的交易风格进行评估。同样，高分类准确性不一定能转化为积极的策略绩效，因为盈利能力也取决于每个类别的收益大小。鉴于标准监督学习技术的不足，需要探索新的损失函数和训练方法来确定仓位的大小，在风险和奖励之间考虑其平衡。

在这篇paper中，引入了一种新的混合模型，它将基于深度学习的交易信号与时间序列动量策略中使用的波动率缩放框架相结合 ——我们把它称之为深度动量网络（DMNs）。从多个角度改进了现有的方法。

首先，通过使用深度神经网络直接生成交易信号，我们不再需要手动指定趋势估计器和头寸规模估算方法——允许直接使用现代时间序列预测框架来学习它们。

其次，利用现有反向传播框架中的自动微分法（Automatic Differentiation），明确优化网络的风险调整性能指标，即夏普比率，从整体上改善了信号的风险状况。

最后，与其他动量策略保持一致的框架还允许我们保留以前工作中需要的属性——特别是波动率缩放，这对时间序列动量策略的积极表现起着至关重要的作用。这种一致性还有助于与现有方法进行比较，并有助于从业人员解释总体信号的不同组成部分。

参考上图，可观察到经过夏普比率优化的表现与基准，线性，MLP和LSTM模型具有更大的累积收益。 此外，我们注意到使用标准回归和分类方法进行趋势估计的模型通常性能不佳。这也暗示了，在选择合适的头寸规模函数以及在不考虑账户风险的情况下，优化模型生成头寸时所面临的困难。