多因素启示：如何处理这些特征？
摘要：多因素启示网络(Multi-Factor Inception Networks，MFIN)：加密货币交易是一个新兴的研究领域，在工业界得到了越来越多的应用。由于其去中心化的特性，许多描述加密货币的指标可以通过简单的谷歌搜索获得，并且通常每天更新。这为基于数据的系统性交易研究提供了有前景的机会，其中有限的历史数据可以通过额外的特征（如哈希率或谷歌趋势）来增强。然而，一个自然而然的问题是：如何有效地选择和处理这些特征？在本文中，我们引入了多因素启示网络(Multi-Factor Inception Networks，MFIN)，这是一个用于多个资产和因素的系统性交易的端到端框架。MFIN扩展了深度启示网络(DIN)以在多因素环境中运行。与DIN类似，MFIN模型可以自动从回报数据中学习特征，并输出优化投资组合夏普比率的仓位大小。与一系列基于规则的动量和反转策略相比，MFIN学习到了一种无相关性但夏普比率较高的策略，这是传统的手工制作因素所无法捕捉到的。特别是，MFIN模型在最近几年(2022-2023)继续实现了一致的回报，而传统策略和整个加密货币市场的表现则较差。
作者：Tom Liu, Stefan Zohren
论文ID：2307.13832
分类：Trading and Market Microstructure
分类简称：q-fin.TR
提交时间：2023-07-27