深度启发式网络：一个通用的多资产量化策略端到端框架
摘要：深入卷积网络（DIN）是一种提供端到端系统化交易策略的深度学习模型家族。DIN从每日价格回报中直接提取时间序列（TS）和横截面（CS）特征。这消除了手工特征的需求，并允许模型同时从TS和CS信息中学习。DIN通过全面数据驱动的特征提取方法获益，同时避免了过拟合。在之前的Momentum深度网络研究的基础上，DIN模型直接输出优化夏普比率（Sharpe ratio）的头寸大小，而不是个别资产。我们提出了一种新颖的损失项，以平衡交易成本规则与与整个市场高相关性导致的系统风险增加之间的关系。通过使用期货数据，我们展示了DIN模型在传统的TS和CS基准上的表现优于，对于一定范围的交易成本都是健壮的，且在不同的随机种子上表现一致。为了平衡DIN模型的通用性，我们提供了注意力和变量选择网络如何增强投资决策可解释性的示例。这些特定于模型的方法在输入维度较高且动态变化的变量重要性时尤为有用。最后，我们比较了DIN模型在其他资产类别上的表现，并展示了如何定制潜在特征空间。
作者：Tom Liu, Stephen Roberts, Stefan Zohren
论文ID：2307.05522
分类：Trading and Market Microstructure
分类简称：q-fin.TR
提交时间：2023-07-13