[论文解读] 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 5

一句话总结

本文提出深度启发式网络（DINs），一种用于多资产量化交易的通用端到端深度学习框架，通过从原始价格收益率中联合学习时间序列与截面特征，直接优化投资组合夏普比率，同时考虑交易成本与市场相关性。在跨资产期货数据（2005–2022年）上，DINs实现2.95的夏普比率，优于基准模型，最高可承受4.82个基点的交易成本。

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.

研究动机与目标

• 开发一种通用的、端到端的深度学习框架，用于系统性多资产交易，避免使用手工设计的特征。
• 联合建模时间序列与截面价格动态，以提升投资组合的风险调整收益。
• 通过在特征提取模块中嵌入语义约束，缓解数据驱动策略中的过拟合问题。
• 通过注意力机制与变量选择网络提升高维、动态环境下的可解释性。
• 通过为不同资产类型定制特征提取器，实现跨资产类别的泛化能力。

提出的方法

• 模型架构结合了特征提取器（FE），用于从原始日度价格收益率中学习时间序列与截面模式，随后由仓位调节器（PS）输出风险与成本调整后的投资组合权重。
• 特征提取器包含新型模块——OrigCIM与FlexCIM，旨在以语义可解释性捕捉动量、价差与领先滞后效应，同时降低过拟合风险。
• 仓位调节器采用LSTM或时序融合变压器（TFT）架构，通过注意力机制建模长期依赖关系并恢复被遗忘的信息。
• 设计了一种新型损失函数，平衡夏普比率最大化、换手率正则化与市场绝对相关性，以降低系统性风险。
• 通过FlexCIM中的变量选择网络（VSN）权重动态突出重要特征，结合注意力机制识别关键的历史收益率模式，提升可解释性。
• 通过对比不同FE与PS变体系统评估框架性能，评估涵盖期货、外汇、股票与加密资产，在多个交易成本水平下进行。

实验结果

研究问题

• RQ1 端到端深度学习框架能否从原始价格数据中联合优化时间序列与截面特征，从而在多资产策略中提升投资组合夏普比率？
• RQ2 在不依赖手工特征的前提下，如何缓解数据驱动交易模型中的过拟合问题？
• RQ3 注意力机制与变量选择机制在高维、动态金融特征空间中，能在多大程度上提升可解释性？
• RQ4 DINs在不同资产类别中的表现如何变化？各类资产中哪种特征提取器表现最优？
• RQ5 在投资组合级深度学习策略中，模型复杂度、计算成本与性能之间存在何种权衡？

主要发现

• DIN模型（OrigCIM x TFT）在跨资产期货数据（2005–2022年）上实现2.95的夏普比率，相较于未考虑交易成本的等权多头基准，提升达10倍。
• 在比例成本模型下，该模型在所有交易成本水平（最高达4.82个基点）下均优于所有传统与机器学习基准。
• 最优特征提取器因资产类别而异：在股票与加密资产中，DeepLOB表现最佳，因其具有较高的正相关性；而在期货与外汇中，OrigCIM与FlexCIM更优，因其具备更复杂的截面动态。
• 模型中的注意力机制可识别与当前市场环境最相似的历史收益率模式，实现隐式状态适应并提升鲁棒性。
• 变量选择网络（VSN）权重揭示了特征重要性的动态变化——例如，在全球金融危机等危机时期，对时间序列动量特征的依赖显著增强。
• 在仓位调节器中，模型复杂度分别呈O(z^1.24)（LSTM）与O(z^1.71)（TFT）增长，而FlexCIM特征提取器的复杂度与资产数量无关，具备良好的可扩展性。