“该策略使用LSTM优化夏普比率，整合了波动率调整后的回报、MACD指标和88种期货的标准化趋势，每日动态再平衡以实现有效的头寸规模调整和趋势估计。”
资产类别: 差价合约、期货 | 地区: 全球 | 周期: 每日 | 市场: 债券、大宗商品、外汇、股票 | 关键词: 时间序列、动量、神经网络
I. 策略概要
该策略投资于股票、商品、外汇和固定收益领域的88种期货，通过将回报调整至目标15%的波动率来考虑交易成本。交易成本使用常数（例如10个基点）进行建模。采用长短期记忆（LSTM）模型，通过损失函数优化夏普比率，同时估计趋势和确定头寸规模。该损失函数包含经交易成本调整后的回报，并评估跨资产和时间的所有预测-目标元组。
LSTM的输入包括标准化回报（1天至1年，按波动率调整）和具有不同时间尺度（{8,16,32}短，{24,48,96}长）的MACD指标。LSTM的隐藏状态和单元状态，以及输入/输出门，使其能够有效地“记忆”和处理历史信息。校准使用随机梯度下降进行，确保模型动态调整。投资组合每日重新平衡，利用先进的趋势估计和头寸规模调整技术来优化不同资产类别的表现。
II. 策略合理性
机器学习动量模型的功能与传统动量模型类似，都依赖于表现强劲的资产将继续表现良好，而表现不佳的资产将滞后的预期。其主要优势在于同时优化趋势估计和头寸规模，从而提高风险调整后的表现。通过使用夏普比率校准模型，机器学习策略可以取得卓越的成果。然而，频繁再平衡产生的交易成本可能会降低盈利能力。这个问题可以通过使用高流动性合约或训练模型来考虑交易成本来缓解。这些调整使机器学习策略能够比传统基准方法提供显著更高的回报。
III. 来源论文
Enhancing Time Series Momentum Strategies [点击查看论文]
- 林布莱恩（Bryan Lim）、斯特凡·佐伦（Stefan Zohren）和斯蒂芬·罗伯茨（Stephen Roberts）
<摘要>
虽然时间序列动量是金融领域一个被充分研究的现象，但常见的策略需要明确定义趋势估计器和头寸规模规则。在本文中，我们引入了深度动量网络——一种将基于深度学习的交易规则注入时间序列动量波动率缩放框架的混合方法。该模型还以数据驱动的方式同时学习趋势估计和头寸规模，网络通过优化信号的夏普比率直接进行训练。在对包含88份连续期货合约的投资组合进行回溯测试时，我们证明，在没有交易成本的情况下，夏普优化LSTM将传统方法提高了两倍以上，并且在考虑高达2-3个基点的交易成本时，仍然保持优异表现。为了考虑流动性较低的资产，我们还提出了一个周转率正则化项，该项训练网络在运行时将成本考虑在内。
IV. 回测表现
| 年化回报 | 14.1% |
| 波动率 | 15.4% |
| β值 | N/A |
| 夏普比率 | 0.92 |
| 索提诺比率 | N/A |
| 最大回撤 | -37.1% |
| 胜率 | N/A |
