Deep Inception Networks: универсальная сквозная платформа для многосоставных количественных стратегий

Мы представляем Deep Inception Networks (DIN) — семейство моделей глубокого обучения, которое обеспечивает универсальную платформу для сквозных систематических торговых стратегий. DIN извлекают временные (TS) и поперечные (CS) признаки непосредственно из ежедневных доходностей цен, что устраняет необходимость в ручной разработке признаков и позволяет модели одновременно обучаться на TS и CS информации. DIN используют полностью дата-ориентированный подход к извлечению признаков при одновременном предотвращении переобучения. Расширяя предыдущие исследования по Deep Momentum Networks, модели DIN напрямую выдают размеры позиций, оптимизирующие коэффициент Шарпа для всего портфеля, а не для отдельных активов. Мы предлагаем новый член в функции потерь для балансировки регуляризации оборота торгов против возрастания системного риска в результате высокой корреляции с общим рынком. На данных по фьючерсам мы показываем, что модели DIN превосходят традиционные TS и CS эталоны, устойчивы к широкому диапазону транзакционных издержек и демонстрируют последовательность результатов при различных случайных инициализациях. Чтобы компенсировать общую природу моделей DIN, мы приводим примеры того, как механизмы attention и Variable Selection Networks могут способствовать интерпретируемости инвестиционных решений. Эти специфичные для модели методы особенно полезны при высокой размерности входных данных и динамических изменениях важности переменных во времени. Наконец, мы сравниваем производительность моделей DIN на других классах активов и показываем, как пространство потенциальных признаков может быть настроено.