تعلم الرسوم البيانية الزمنية لتداول الأزواج

الملخص

يصف هذا المستند إطارًا للتعلم العميق لتحديد العلاقات المتغيرة مع الزمن بين الأصول بغرض تداول الأزواج. ويجمع تعلم الرسوم البيانية للعلاقات الزمنية متعددة الوسائط بين مشاهدات السلاسل الزمنية والسمات المتقطعة ضمن رسم بياني زمني. ثم تتعامل شبكة عصبية للرسم البياني الزمني قائمة على الذاكرة مع إيجاد الكيانات المرتبطة بوصفه تنبؤًا بالروابط الزمنية، بهدف دعم الاختيار الآلي للأزواج.

يذكر المؤلفون إجراء تجارب على مجموعات بيانات من العالم الحقيقي، ويقولون إن الإطار يتفوق على البدائل، لكن المستند لا يسمي مجموعات البيانات أو المعايير المرجعية أو مقاييس التقييم أو تكاليف التداول. كما لا يقدم تفاصيل عن كيفية تحويل الروابط المتنبأ بها إلى قواعد دخول وخروج، أو إدارة المحفظة الناتجة، أو استمرار الأداء خارج العينة. لذا يوضح الوصف نهجًا للنمذجة وما يدعيه من إمكانات تجريبية، ولا يقدم أدلة كافية للحكم على استراتيجية قابلة للتطبيق.

الأفكار الرئيسية

• يستهدف الإطار العلاقات المتغيرة بين الأصول المستخدمة في تداول الأزواج.
• يجمع بين بيانات السلاسل الزمنية والسمات المتقطعة في رسم بياني زمني.
• تتنبأ شبكة عصبية للرسم البياني قائمة على الذاكرة بالروابط بين الكيانات عبر الزمن.
• يذكر المؤلفون نتائج إيجابية على مجموعات بيانات من العالم الحقيقي، من دون تفاصيل المعايير المرجعية في هذا الوصف.
• لا يوضح المستند كيف تتحول تنبؤات الروابط إلى قواعد للتداول وإدارة المخاطر.

الوسوم

# MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning


# MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning









In this study, we explore the synergy of deep learning and financial market applications, focusing on pair trading. This market-neutral strategy is integral to quantitative finance and is apt for advanced deep-learning techniques. A pivotal challenge in pair trading is discerning temporal correlations among entities, necessitating the integration of diverse data modalities. Addressing this, we introduce a novel framework, Multi-modal Temporal Relation Graph Learning (MTRGL). MTRGL combines time series data and discrete features into a temporal graph and employs a memory-based temporal graph neural network. This approach reframes temporal correlation identification as a temporal graph link prediction task, which has shown empirical success. Our experiments on real-world datasets confirm the superior performance of MTRGL, emphasizing its promise in refining automated pair trading strategies.

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.