多任务时序动量策略
量化投资与机器学习微信公众号,是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。公众号拥有来自公募、私募、券商、期货、银行、保险、高校等行业30W+关注者,曾荣获AMMA优秀品牌力、优秀洞察力大奖,连续4年被腾讯云+社区评选为“年度最佳作者”。
作者:Joel Onga、Dorien Herremansa
我们提出了一个参数共享的多任务学习架构,该架构包括两种类型的任务:主任务和辅助任务。主要任务是多标的时间序列动量组合的构建。辅助任务是为了增强模型的共享表示,并允许模型更好地泛化,这反过来又有助于主任务。在我们提出的架构中(图1),特征输入至共享层LSTM进行编码,之后连接到特定任务的前馈网络对不同的任务进行学习。
图1. 多任务学习架构。该架构中LSTM作为共享层,参数在所有任务中进行共享。在每个单独的任务中有各自的全链接层(FNN)进行学习(参数独立)。
从上文的基于目标波动率的传统时序动量策略可以看出,确定每只股票权重有两个因素:动量的方向和股票的波动率。在主要任务中,我们直接预测股票的权重,那么组合的收益率就由上面的上式变为以下等式:
2023 Q2最新:国内『量化私募』管理人AUM图谱出炉!
Axe is back!最后一次华尔街之旅,Billions终季回归
微信扫码关注该文公众号作者
戳这里提交新闻线索和高质量文章给我们。
来源: qq
点击查看作者最近其他文章