[论文解读] 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 7

一句话总结

QuantNet 提出了一种新颖的端到端深度学习架构，通过在58个全球股票市场之间迁移知识，提升系统性交易策略的表现。通过采用共享的全球编码器-解码器框架并结合市场特定的适应机制，其Sharpe比率比最优基线高出51%，Calmar比率高出69%，充分展示了多市场迁移学习带来的显著收益。

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.

研究动机与目标

• 解决当前交易策略将各市场孤立处理的局限性，捕捉传染效应和宏观经济趋势等市场间依赖关系。
• 通过在多个市场间迁移学习，缓解单一市场模型中的数据稀缺和过拟合问题。
• 构建一个统一的端到端学习系统，联合优化全局市场无关模式与本地市场特定策略。
• 在训练目标中确保所有市场具有同等重要性，即使其规模、交易频率和数据分布存在差异。
• 证明迁移学习在大规模、真实世界系统性交易应用中可显著提升性能。

提出的方法

• 提出一种多市场端到端架构，每个市场配备专用的编码器-解码器对，同时共享全局组件。
• 使用全局模型处理来自所有市场的潜在表征，从多样化数据源中学习市场无关的趋势。
• 将模型分解为市场特定与市场无关组件，使本地参数得以专业化，而全局参数实现泛化。
• 将多种损失函数整合到单一网络中，以增强正则化效果并减少过拟合，灵感源自元学习与迁移学习的最新进展。
• 采用平衡的多任务学习目标，确保所有市场对损失的贡献相等，避免主导市场或噪声较大市场带来的干扰。
• 使用来自58个全球股票市场中3103只资产的历史数据，对整个系统进行端到端训练。

实验结果

研究问题

• RQ1 与市场特定模型相比，跨多个全球股票市场进行迁移学习是否能提升系统性交易策略的性能？
• RQ2 如何通过统一架构有效学习全局市场无关趋势与本地市场特定动态，同时避免相互干扰？
• RQ3 在系统性交易的端到端深度学习中整合迁移学习，可实现多大的性能提升？
• RQ4 在多任务目标中对所有市场采用等权重是否能防止因数据异质性导致的性能下降？
• RQ5 与非迁移学习基线相比，迁移学习在数据稀缺的金融市场上在多大程度上减少了过拟合？

主要发现

• QuantNet 相较于表现最优的基线模型（截面动量策略），实现了51%更高的Sharpe比率。
• 该模型相较同一基线，实现了69%更高的Calmar比率，表明其在风险调整和回撤控制方面表现更优。
• 与非迁移学习的变体相比，QuantNet 将Sharpe比率提升了15%，Calmar比率提升了41%，充分证明了迁移学习的价值。
• 该架构通过共享的全局表征，成功捕捉了市场间的依赖关系，如传染效应和宏观经济趋势。
• 采用等权重市场分配的平衡多任务目标，有效防止了干扰，实现了在异质市场中的稳定训练。
• 该模型的泛化能力在58个全球股票市场中的3103只资产上得到验证，证实了其可扩展性与鲁棒性。