تعلّم مشترك لزخم السلاسل الزمنية والتقلب في محافظ العقود الآجلة

الملخص

تطبّق هذه الدراسة التعلّم العميق متعدد المهام على محافظ متنوعة لزخم السلاسل الزمنية في العقود الآجلة المستمرة. وتتمثل فكرتها الأساسية في تعلّم بناء المحفظة والمهام المرتبطة بالتقلب معًا، بدلًا من التعامل مع إشارة الزخم وتقدير التقلب كمدخلين مستقلين. وتشمل المهام المساعدة التنبؤ بالتقلب المحقق باستخدام مقدّرات مختلفة للتقلب، بهدف تحسين قرارات المحفظة المعدّلة حسب المخاطر.

خضع النهج لاختبار تاريخي من يناير 2000 حتى ديسمبر 2020، وقورن باستراتيجيات زخم السلاسل الزمنية القائمة. ويذكر المستند أنه يتفوق على تلك الاستراتيجيات بعد احتساب تكاليف المعاملات التي تصل إلى 3 نقطة أساس، وأن إضافة المهام المساعدة تحسّن أداء المحفظة. وهذه نتائج اختبار تاريخي لمحفظة العقود الآجلة والفترة المحددتين؛ ولا يصف الملخص تصميم الشبكة بدقة أو مجموعة الأصول أو بروتوكول التقييم أو اختبارات المتانة. لذلك لا تثبت النتائج أن أداء الطريقة سيكون مماثلًا في أسواق أخرى أو في التداول الفعلي.

الأفكار الرئيسية

• تتعلّم الطريقة بناء محفظة الزخم والمهام المساعدة المرتبطة بالتقلب معًا.
• تتعامل الدراسة مع جودة الإشارة وتقدير التقلب باعتبارهما مسألتين مترابطتين في التعلّم.
• تشمل الاختبارات التاريخية العقود الآجلة المستمرة من يناير 2000 حتى ديسمبر 2020.
• تُظهر النتائج المعلنة تفوقًا على استراتيجيات زخم السلاسل الزمنية القائمة بعد تكاليف المعاملات المذكورة.
• لا يحدد الملخص المتاح تصميم النموذج أو أدلة المتانة الأوسع.

الوسوم

# Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning


# Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning









A diversified risk-adjusted time-series momentum (TSMOM) portfolio can deliver substantial abnormal returns and offer some degree of tail risk protection during extreme market events. The performance of existing TSMOM strategies, however, relies not only on the quality of the momentum signal but also on the efficacy of the volatility estimator. Yet many of the existing studies have always considered these two factors to be independent. Inspired by recent progress in Multi-Task Learning (MTL), we present a new approach using MTL in a deep neural network architecture that jointly learns portfolio construction and various auxiliary tasks related to volatility, such as forecasting realized volatility as measured by different volatility estimators. Through backtesting from January 2000 to December 2020 on a diversified portfolio of continuous futures contracts, we demonstrate that even after accounting for transaction costs of up to 3 basis points, our approach outperforms existing TSMOM strategies. Moreover, experiments confirm that adding auxiliary tasks indeed boosts the portfolio's performance. These findings demonstrate that MTL can be a powerful tool in finance.

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.