التعلم الشامل للشبكات المالية لزخم العقود الآجلة

الملخص

تعرض الوثيقة L2GMOM، وهو إطار للتعلم الآلي لزخم الشبكات. ويستخدم زخم الشبكات العلاقات بين الأصول للمساعدة في توقع العوائد المستقبلية. ويتعلم الإطار المقترح الشبكة المالية وإشارات التداول معاً، بدلاً من بناء الشبكة أولاً ثم تحسين المحفظة في خطوة منفصلة. ويُشتق هيكل الشبكة العصبية من فك لف الخوارزميات، ويوصف بأنه قابل للتفسير. ويمكن للإطار استخدام أهداف مختلفة لأداء المحفظة، منها نسبة شارب السلبية.

تشير الاختبارات التاريخية على 64 من العقود الآجلة المستمرة خلال فترة مدتها 20 عاماً إلى نسبة شارب قدرها 1.74 وتحسن الربحية وضبط المخاطر. وتقتصر هذه النتائج على الاختبار التاريخي المبلّغ عنه؛ ولا تقدم الوثيقة تفاصيل إضافية عن التكاليف أو التنفيذ أو أساليب المقارنة أو التحقق خارج العينة. وتشير أيضاً إلى أن عملية بناء الشبكات التقليدية قد تعتمد على قواعد بيانات مكلفة ومعرفة متخصصة، لكنها لا تحدد أثر عوائق الوصول هذه في النتائج المبلّغ عنها.

الأفكار الرئيسية

• يستخدم زخم الشبكات الصلات بين الأصول لتوجيه توقعات العوائد.
• يتعلم L2GMOM الشبكة المالية وإشارات التداول لاستراتيجية الزخم معاً.
• يعتمد هيكل الشبكة العصبية على فك لف الخوارزميات، ويُعرض على أنه قابل للتفسير.
• يمكن تدريب الإطار باستخدام أهداف للمحفظة مثل نسبة شارب السلبية.
• يشمل الاختبار التاريخي المبلّغ عنه 64 من العقود الآجلة المستمرة على مدى 20 عاماً، ويورد نسبة شارب قدرها 1.74.

الوسوم

# Learning to Learn Financial Networks for Optimising Momentum Strategies


# Learning to Learn Financial Networks for Optimising Momentum Strategies









Network momentum provides a novel type of risk premium, which exploits the interconnections among assets in a financial network to predict future returns. However, the current process of constructing financial networks relies heavily on expensive databases and financial expertise, limiting accessibility for small-sized and academic institutions. Furthermore, the traditional approach treats network construction and portfolio optimisation as separate tasks, potentially hindering optimal portfolio performance. To address these challenges, we propose L2GMOM, an end-to-end machine learning framework that simultaneously learns financial networks and optimises trading signals for network momentum strategies. The model of L2GMOM is a neural network with a highly interpretable forward propagation architecture, which is derived from algorithm unrolling. The L2GMOM is flexible and can be trained with diverse loss functions for portfolio performance, e.g. the negative Sharpe ratio. Backtesting on 64 continuous future contracts demonstrates a significant improvement in portfolio profitability and risk control, with a Sharpe ratio of 1.74 across a 20-year period.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.