查看内容

使用深度神经网络提升时间序列动量策略

Bryan Lim, Stefan Zohren and Stephen Roberts, Enhancing Time Series Momentum Strategies UsingDeep Neural Networks, The Journal of Financial Data Science Fall 2019, 1 (4)19-38

动量策略可以分为截面动量和时间序列动量两类,截面动量关注标的间的相对表现并买入历史强者,而时间序列动量通过证券自身历史表现决定其未来的头寸大小。传统上时间序列动量策略包含趋势强度估计以及头寸生成两步骤,本文作者将动量策略与深度学习模型结合,利用神经网络从历史信息直接学习生成证券的目标头寸。实证结果表明长短期记忆网络LSTM相对传统动量策略在策略收益、夏普比率等方面均有显著提升。

动量作为金融风险溢价在学术文献中有大量记载,其被证明对各种资产类别在不同预测区间和时间段都有持续的异常回报。基于价格趋势将的持续行性,时间序列动量策略通常在趋势向上时增加头寸在相反情况下减少头寸。虽然直觉上动量策略的基础非常清晰,但是具体实施细节在信号众多的情况下降差异很大。

在最近,深度神经网络被广泛用于时间序列预测。随着诸如CNN、RNN等现代结构的发展,深度学习模型因其在构建给定数据集的表示能力而受到青睐:纯粹以数据驱动的方式捕获时间动态和横截面关系。

众多的文献已经验证了机器学习在金融时间序列预测上的运用,而他们主要关注于标准化的回归或者分类任务。在本文中,作者介绍了一种新颖的混合模型,该模型结合了基于交易信号的深度学习以及波动率网站建设放缩框架,作者称之为深度动量网络DMN。

动量策略传统上被分为两类:截面动量和时间序列动量。截面动量主要专注于证券于彼此之间的相对表现,买入相对赢家而卖出相对输家。将股票按照其过去3到12个月的收益排序,以往研究表明过去表现更好的股票在未来一个月也将有更好的表现。截面动量的表现在不同时间、不同市场以及不同资产列别上都是稳定的。

时间序列动量将这个想法扩展到了资产自身的历史收益上,根据资产自身的历史表现构建投资组合。该想法最初由T. J. Moskowitz等人提出,其利用波动率放缩描述了具体的策略并根据过去一年的收益决定交易头寸。从那以后众多的交易规则被提出,它们将众多的趋势估计技术映射成交易头寸。

作者研究了各种可以在深度动量网络中使用的架构,所有的这些都可以轻松的重新配置生成以保证预测结果。其中作者使用了Tensorflow的Keras API,其保证了输出激活功能可以灵活互换生成不同类型的预测,也可以定义任意损失函数用于直接输出。

模型校准通过Adam优化器以最小批量随机梯度下降方式进行,对给定的训练数据反向传播最多使用90%的训练元进行,而剩余的10%数据则被作为验证集,验证集数据而后被用于确定收敛情况。

不同模型的预测能力的评估通过从Pinnacle DataCorp CLC数据库下载的88个连续期货合约来进行的。这些合约包含商品期货、固定收益以及货币期货,时间区间为从1990年至2015年。

在整个回测过程中,模型每5年都会被重新进行校准,使用直到重新校准点为止的所有可用数据重新运行整个超参数优化过程。模型的权重在未来5年将被固定,以确保测试结果将完全在样本外。

对于深度动量网络,作者结合了桂林网站建设传统时间序列动量策略所使用的有效特征以在每个步骤确保预测:

整个样本外预测区间为1995年至2015年,各策略的表现统计入下图所示。夏普最优化的LSTM模型比所有的基准都表现更好,其将表现最好的神经网络(夏普最优化MLP)提升了44%,相对基准(Sgn(Return))的提升超过了两倍。结合对于线性模型和MLP模型在夏普比率上的提升,这强调了使用可捕捉非线性关系模型的好处,同时其可通过内部存储器获取更多的历史区间。

此外,模型的复杂度的提升并不总是能带来更好的预测效果,WaveNet的表现均弱于基准以及简单线性模型的效果,这可能是由于模型能以调试到最优的参数导致的。相反的,只有一个简单参数就足够确定MLP和LSTM的隐藏层数目。分析跟模型的相对表现可知,直接根据历史表现预测头寸的方式比先预测趋势再根据趋势确定头寸的方式更优。此外对于标准回归、MLP模型等,以夏普比率为最大化目标的表现均超过于直接以收益最大化为目标的模型。

为了纠正交易成本对策略的影响,作者对各策略分别计算了间接成本夏普比率。结果如下图所示,各策略条形顶端是不扣除手续费情形下的夏普比率,每个颜色都标注了在相应的交易成本下策略的费后夏普比率。基准策略能适应最多到5bp的交易成本,而大多数机器学习模型只能持续到4bp的交易成本。然而在2到3bp的交易成本下,夏普最优化的LSTM模型仍有最好的表现。

一种简单的解决交易成本的方式是使用交易成本调整后的收益直接用于训练,夏普最优化的LSTM模型在较低的交易成本下时仍然盈利的。作者寻求在极端交易成本c=10bps情形下换手率正则化的有效性。作者对比了基准模型以及LSTM模型、带换手率正则化的LSTM模型LSTM+Reg。在10bps的交易成本下,各策略的表现如下图所示,可以看出换手率正则化在较高交易成本情形下提高了LSTM的表现,其对各表现指标的提升均相当显著。

本文作者介桂林网络公司绍了深度动量网络,其在保留波动率放缩框架同时使用深度神经网络产生交易头寸的信号。本文评估了两种交易头寸信号的生成方式。首先,我们将趋势强度估计转化为一个标准化的监督学习模型,使用机器学习方法预测资产未来的收益,同时根据资产未来的收益确定其交易头寸的大小。其次,交易信号也可以直接作为模型的输出而生成,通过约束最大化夏普比率或者收益以达到目标。

以连续期货合约作为标的池,作者发现标定最大化夏普比率为目标,LSTM模型取得了最佳的表现。考虑到交易成本,夏普最优化的LSTM模型战胜基准2到3bp的收益。为了解决高交易成本情形,作者提出来换手率正则化后的LSTM模型,其在极端的换手成本10bp下仍然取得显著效果。

BZSo=Tel

注:文中报告节选自天风证券研究所已公开发布研究报告,具体报告内容及相关风险提示等详见完整版报告。

>j>w

免责声明:自媒体综合提供的内容均源自自媒体,版权归原作者所有,转载请联系原作者并获许可。文章观点仅代表作者本人,不代表新浪立场。若内容涉及投资建议,仅供参考勿作为投资依据。投资有风险,入市需谨慎。

分享: