[論文レビュー] QuantNet: Transferring Learning Across Systematic Trading Strategies

Adriano Koshiyama, Sebastian Flennerhag+3 more|arXiv (Cornell University)|Apr 7, 2020

Stock Market Forecasting Methods被引用数 7

ひとこと要約

QuantNetは、58のグローバル株式市場を横断して知識を転送する、画期的なエンドツーエンドのディープラーニングアーキテクチャを導入し、システマティック取引戦略の改善を実現した。共通のグローバルエンコーダ・デコーダフレームワークに市場固有の適応を組み合わせることで、トップのベースライン比でシャープ比が51%高く、カラマ比が69%高い結果を達成し、マルチマーケット転移学習による顕著な向上を示した。

ABSTRACT

Systematic financial trading strategies account for over 80% of trade volume in equities and a large chunk of the foreign exchange market. In spite of the availability of data from multiple markets, current approaches in trading rely mainly on learning trading strategies per individual market. In this paper, we take a step towards developing fully end-to-end global trading strategies that leverage systematic trends to produce superior market-specific trading strategies. We introduce QuantNet: an architecture that learns market-agnostic trends and use these to learn superior market-specific trading strategies. Each market-specific model is composed of an encoder-decoder pair. The encoder transforms market-specific data into an abstract latent representation that is processed by a global model shared by all markets, while the decoder learns a market-specific trading strategy based on both local and global information from the market-specific encoder and the global model. QuantNet uses recent advances in transfer and meta-learning, where market-specific parameters are free to specialize on the problem at hand, whilst market-agnostic parameters are driven to capture signals from all markets. By integrating over idiosyncratic market data we can learn general transferable dynamics, avoiding the problem of overfitting to produce strategies with superior returns. We evaluate QuantNet on historical data across 3103 assets in 58 global equity markets. Against the top performing baseline, QuantNet yielded 51% higher Sharpe and 69% Calmar ratios. In addition we show the benefits of our approach over the non-transfer learning variant, with improvements of 15% and 41% in Sharpe and Calmar ratios. Code available in appendix.

研究の動機と目的

• 現在の取引戦略が各市場を個別に扱うため、伝染効果やマクロ経済トレンドといった市場間の依存関係を逃しているという限界を是正すること。
• 複数の市場を横断して転移学習を活用することで、個別市場モデルにおけるデータ不足や過学習を克服すること。
• グローバル市場に依存しないパターンとローカル市場固有の戦略を同時に最適化する統合的でエンドツーエンドの学習システムを構築すること。
• 市場の規模、取引頻度、データ分布の違いにもかかわらず、すべての市場が訓練目的において同等の重要性を持つようにすること。
• 転移学習が大規模かつ現実世界のシステマティック取引応用において顕著なパフォーマンス向上をもたらすことを実証すること。

提案手法

• 各市場に専用のエンコーダ・デコーダペアを備え、共通のグローバルコンponentを有するマルチマーケットでエンドツーエンドのアーキテクチャを提案する。
• グローバルモデルを用いて、あらゆる市場の潜在表現を処理し、多様なデータソースから市場に依存しないトレンドを学習する。
• モデルを市場固有と市場に依存しないコンponentに分解することで、ローカルパラメータが特化し、グローバルパラメータが一般化できるようにする。
• 最近のメタ学習および転移学習の進展にインspiredして、複数の損失を1つのネットワークに統合し、正則化を強化し、過学習を低減する。
• すべての市場が損失に同等に寄与するバランスの取れたマルチタスク学習目的関数を適用し、支配的またはノイジーな市場による干渉を回避する。
• 58のグローバル株式市場にまたがる3103資産の歴史的データを用いて、システム全体をエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 複数のグローバル株式市場にまたがる転移学習は、市場固有のモデルと比較して、システマティック取引戦略のパフォーマンスを向上させることができるか？
• RQ2 統一アーキテクチャは、干渉を避けて、グローバル市場に依存しないトレンドとローカル市場固有のダイナミクスの両方を効果的に学習できるか？
• RQ3 エンドツーエンドのディープラーニングに転移学習を統合することで、どの程度のパフォーマンス向上が達成可能か？
• RQ4 マルチタスク目的関数における市場の等重量付けが、データの非均一性に起因するパフォーマンス劣化を防ぐか？
• RQ5 非転移学習ベースラインと比較して、転移学習はデータが乏しい金融市場における過学習をどの程度低減するか？

主な発見

• QuantNetは、トップパフォーマーのベースラインであるクロスセクショナルモメンタム比でシャープ比が51%高い結果を達成した。
• 同じベースライン比でカラマ比が69%高く、リスク調整済みパフォーマンスおよびドゥーダウン制御性能に優れた結果を示した。
• 非転移学習バージョンと比較して、QuantNetはシャープ比を15%、カラマ比を41%向上させ、転移学習の価値を実証した。
• 共通のグローバル表現を通じて、伝染効果やマクロ経済トレンドといった市場間の依存関係を効果的に捉えた。
• 市場の等重量付けを施したバランスの取れたマルチタスク目的関数の活用により、非均質な市場間で干渉を防ぎ、安定した訓練を可能にした。
• 3103資産を含む58のグローバル株式市場において、モデルの一般化能力が検証され、スケーラビリティとロバストネスが確認された。