本篇是“学海拾珠”系列第一百三十九篇，作者引入了深度动量网络——一种复合深度学习模型。深度动量网络保留了时间序列动量策略的波动率缩放框架，以数据驱动的方式同时学习趋势和仓位，通过优化信号的夏普比率直接训练网络。
　　传统时间序列动量策略泛化性差
　　时间序列动量策略是在横截面动量策略的基础上发展而来，自诞生以来已经得到了广泛应用，但计算时间序列动量首先要对序列的趋势做出估计，在估计的基础上计算头寸，这一方面增加了误差累积的风险，另一方面又与交易规则深度相关，采用不同的交易规则对结果可能产生很大的影响。
　　深度动量网络可以直接拟合复杂的时序动量策略
　　目前研究人员通常将价格预测任务定义为一个分类问题，首先证明他们所采用的方法在预测下一次价格走势方面的准确性有所提高。然后，根据类别概率手动定义交易规则。该过程需要许多明确的设计决策来定义复杂的时间序列动量策略，而本文中的深度动量网络可以直接从数据中学习复杂的非线性关系，将头寸的预测结果作为输出，从而减少对手动规范的需求。
　　风险提示
　　文献结论基于历史数据与海外文献进行总结；不构成任何投资建议。