[論文レビュー] Deep Inception Networks: A General End-to-End Framework for Multi-asset Quantitative Strategies

Thomas T. Liu, Stephen Roberts+1 more|arXiv (Cornell University)|Jul 7, 2023

Stock Market Forecasting Methods被引用数 5

ひとこと要約

本稿では、取引コストと市場相関を考慮しながら、直接的・統合的にポートフォリオのシャープレシオを最適化する、マルチアセット定量的トレーディングのための汎用的エンドツーエンド深層学習フレームワーク「ディープインセプションネットワーク（DINs）」を提案する。DINsは、生のリターン価格データから時系列的およびクロスセクショナル特徴量を同時に学習し、2005–2022年のクロスアセット・ファューチャーズ市場で2.95のシャープレシオを達成し、取引コストが最大4.82 bpsまで上昇しても、ベンチマークを上回る性能を示す。

ABSTRACT

We introduce Deep Inception Networks (DINs), a family of Deep Learning models that provide a general framework for end-to-end systematic trading strategies. DINs extract time series (TS) and cross sectional (CS) features directly from daily price returns. This removes the need for handcrafted features, and allows the model to learn from TS and CS information simultaneously. DINs benefit from a fully data-driven approach to feature extraction, whilst avoiding overfitting. Extending prior work on Deep Momentum Networks, DIN models directly output position sizes that optimise Sharpe ratio, but for the entire portfolio instead of individual assets. We propose a novel loss term to balance turnover regularisation against increased systemic risk from high correlation to the overall market. Using futures data, we show that DIN models outperform traditional TS and CS benchmarks, are robust to a range of transaction costs and perform consistently across random seeds. To balance the general nature of DIN models, we provide examples of how attention and Variable Selection Networks can aid the interpretability of investment decisions. These model-specific methods are particularly useful when the dimensionality of the input is high and variable importance fluctuates dynamically over time. Finally, we compare the performance of DIN models on other asset classes, and show how the space of potential features can be customised.

研究の動機と目的

• 手作業による特徴量設計を回避する、システマティックなマルチアセットトレーディングのための汎用的でエンドツーエンドの深層学習フレームワークの開発。
• 時系列的およびクロスセクショナル価格ダイナミクスを統合的にモデル化し、ポートフォリオのリスク調整リターンを向上させること。
• 特徴量抽出モジュールに意味的制約を埋め込むことで、データ駆動型戦略における過学習を緩和すること。
• 高次元かつ動的な環境下で、アテンション機構と変数選択ネットワークを用いて解釈可能性を向上させること。
• アセットクラスに跨る一般化を可能にするために、アセット固有の特性に合わせて特徴量抽出器をカスタマイズすること。

提案手法

• モデルアーキテクチャは、生の日次価格リターンから時系列的およびクロスセクショナルパターンを学習する特徴量抽出器（FE）と、リスクおよびコスト調整済みポートフォリオ重みを出力するポジションサイズ調整器（PS）を組み合わせる。
• 特徴量抽出器には、モメンタム、スプレッド、リード・ラグ効果を意味的解釈可能性と過学習リスクの低減を意識して捉えるために設計された新規モジュール「OrigCIM」と「FlexCIM」が含まれる。
• ポジションサイズ調整器は、長期間の依存関係をモデル化し、アテンションを用いて忘れられた情報を回復するため、LSTMまたは時系列融合Transformer（TFT）アーキテクチャを採用する。
• シャープレシオの最大化とトレードオーバー正則化、および市場との絶対相関をバランスさせるために、新規の損失関数が設計されている。
• 解釈可能性は、FlexCIMにおける変数選択ネットワーク（VSN）の重みにより、時間経過に伴い重要な特徴量を動的に強調する仕組みと、顕著な歴史的リターンパターンを特定するアテンション機構によって向上する。
• フレームワークは、異なるFEおよびPSのバリエーションを比較することで体系的に評価され、複数の取引コストレベルにおける先物、為替、株式、暗号資産市場のパフォーマンスが評価されている。

実験結果

リサーチクエスチョン

• RQ1 エンドツーエンドの深層学習フレームワークは、生の価格データから時系列的およびクロスセクショナル特徴量を統合的に最適化し、マルチアセット戦略におけるポートフォリオのシャープレシオを向上させることができるか？
• RQ2 手作業による特徴量設計に依存せずに、データ駆動型トレーディングモデルにおける過学習をどのように緩和できるか？
• RQ3 アテンションおよび変数選択メカニズムは、高次元かつ動的な金融特徴空間において、どの程度解釈可能性を向上させることができるか？
• RQ4 DINsのパフォーマンスは、異なるアセットクラスでどのように変化するか？各アセットクラスに最適な特徴量抽出器は何か？
• RQ5 ポートフォリオレベルの深層学習戦略において、モデルの複雑さ、計算コスト、パフォーマンスの間には、どのようなトレードオフがあるか？

主な発見

• DINモデル（OrigCIM x TFT）は、クロスアセット・ファューチャーズデータ（2005–2022）でシャープレシオ2.95を達成し、取引コストを考慮しない状態で等ウェート・ロングオンリーベンチマーク比で10倍の改善を示した。
• 比例コストモデル下で、取引コストが最大4.82 bpsまで上昇しても、すべての従来手法および機械学習ベンチマークを上回る性能を示した。
• 最適な特徴量抽出器はアセットクラスによって異なる：株式および暗号資産市場では、高い正の相関があるためDeepLOBが最も優れた性能を示したが、先物および為替市場では、より複雑なクロスセクショナルダイナミクスを有するため、OrigCIMおよびFlexCIMが優位であった。
• モデル内のアテンション機構は、現在の環境と最も類似した過去のリターンパターンを特定し、暗黙的なレジーム適応を可能にし、耐性を向上させた。
• 変数選択ネットワーク（VSN）の重みは、特徴量の重要度の動的シフトを明らかにした—例として、グレート・フィナリシャル・クライシスのような危機期には、時系列的モメンタム特徴量への依存度が高まった。
• ポジションサイズ調整器におけるモデルの複雑さは、LSTMでO(z^1.24)、TFTでO(z^1.71)のスケーリングを示したが、FlexCIMの特徴量抽出器の複雑さはアセット数に依存しないため、スケーラビリティに優れた構造を有する。