В новой исследовательской работе, написанной Лимом, Зореном и Робертсом, используются методы глубокого обучения для улучшения стратегии импульса временных рядов:
Коротко:
«Хотя моментум временных рядов является хорошо изученным явлением в финансах, общие стратегии требуют явного определения как оценщика тренда, так и правила определения размера позиции. В этой статье мы представляем Deep Momentum Networks — гибридный подход, который вводит торговые правила, основанные на глубоком обучении, в структуру масштабирования волатильности моментума временных рядов. Модель также одновременно изучает как оценку тренда, так и размер позиции на основе данных, при этом сети напрямую обучаются путем оптимизации коэффициента Шарпа сигнала. Проведя ретроспективное тестирование портфеля из 88 непрерывных фьючерсных контрактов, мы показали, что LSTM, оптимизированный по Шарпу, улучшил традиционные методы более чем в два раза при отсутствии транзакционных издержек и продолжает превосходить результаты при учете транзакционных издержек до 2–3 базисных пунктов. Чтобы учесть больше неликвидных активов, мы также предлагаем термин регуляризации оборота, который обучает сеть учитывать затраты во время выполнения».
