Finanznetzwerke für Futures-Momentum gemeinsam lernen

Zusammenfassung

Das Dokument stellt L2GMOM vor, ein Framework für Netzwerk-Momentum auf Basis von maschinellem Lernen. Netzwerk-Momentum nutzt Beziehungen zwischen Assets, um künftige Renditen besser vorherzusagen. Das vorgeschlagene Framework lernt das Finanznetzwerk und die Handelssignale gemeinsam, statt zunächst ein Netzwerk aufzubauen und anschließend in einem getrennten Schritt ein Portfolio zu optimieren. Seine neuronale Netzwerkarchitektur basiert auf Algorithmusentfaltung und wird als interpretierbar beschrieben. Das Framework kann unterschiedliche Ziele für die Portfolioperformance verwenden, darunter die negative Sharpe-Ratio.

Backtests mit 64 kontinuierlichen Futures-Kontrakten über einen Zeitraum von 20 Jahren berichten eine Sharpe-Ratio von 1.74 sowie Verbesserungen bei Profitabilität und Risikokontrolle. Diese Ergebnisse beschränken sich auf den berichteten Backtest; das Dokument enthält keine weiteren Angaben zu Kosten, Implementierung, Vergleichsmethoden oder Validierung außerhalb der Stichprobe. Es weist außerdem darauf hin, dass der herkömmliche Aufbau von Netzwerken von kostspieligen Datenbanken und Fachwissen abhängen kann, erläutert jedoch nicht, wie sich diese Zugangshürden auf die berichteten Ergebnisse auswirken.

Kernaussagen

• Netzwerk-Momentum nutzt Verbindungen zwischen Assets, um Renditeprognosen zu unterstützen.
• L2GMOM lernt gemeinsam ein Finanznetzwerk und die Handelssignale für eine Momentum-Strategie.
• Die neuronale Netzwerkarchitektur basiert auf Algorithmusentfaltung und wird als interpretierbar dargestellt.
• Das Framework kann mit Portfoliozielen wie der negativen Sharpe-Ratio trainiert werden.
• Der berichtete Backtest umfasst 64 kontinuierliche Futures-Kontrakte über 20 Jahre und ergibt eine Sharpe-Ratio von 1.74.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.