Hierarchisches Graph-Lernen für Rohstoff-Kalenderspreads

Zusammenfassung

Die Studie modelliert Rohstoff-Futures als Hierarchie: Basiswerte bilden eine Ebene, einzelne Kontrakte eine weitere. Beziehungen verbinden Vermögenswerte innerhalb jeder Ebene, während ebenenübergreifende Verknüpfungen Kontrakte ihren zugrunde liegenden Märkten zuordnen. Ein hierarchisches Graph-Lernmodell nutzt diese Beziehungen, einschließlich laufzeitabhängiger Verbindungen zwischen Kontrakten, um Preisbewegungen von Futures vorherzusagen und Positionen in Kalenderspreads zu generieren. Das Paper beschreibt außerdem ein Verfahren, um Modellprognosen in Spreadgeschäfte umzusetzen.

Die Autoren argumentieren analytisch, dass Kalenderspreads höhere Informationsquotienten sowie geringere Varianz und ein niedrigeres Delta als Long-only-Strategien aufweisen können. Tests mit über CME Group gehandelten Rohstoff-Futures berichten bessere Prognose- und Handelsergebnisse als Benchmarkmodelle und zeigen, dass Laufzeitverknüpfungen für Prognosen nützlich sind. Die berichteten Ergebnisse stützen den vorgeschlagenen statistischen Arbitrageansatz. Die vorliegende Zusammenfassung nennt jedoch weder den Untersuchungszeitraum noch Kosten, Umsetzungsdetails oder Nachweise zur Robustheit außerhalb der Stichprobe, was die Beurteilung der Praxistauglichkeit einschränkt.

Kernaussagen

• Das Modell stellt Basiswerte und einzelne Futures-Kontrakte als verknüpfte Graph-Ebenen dar.
• Laufzeitabhängige Beziehungen dienen dazu, Preisbewegungen von Futures vorherzusagen.
• Prognosen werden in Positionen in Kalenderspreads umgesetzt.
• Die Autoren berichten bessere Prognose- und Handelsergebnisse als bei Benchmarkmodellen für Futures der CME Group.
• Die vorliegende Beschreibung macht keine Angaben zu Handelskosten oder zur Robustheit in anderen Zeiträumen und Märkten.

Schlagwörter

# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets


# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets









Commodity futures can be represented hierarchically, with underlying assets at the upper level and individual futures contracts at the lower level. Entities at each level can be connected by edges reflecting inherent correlations, with cross-level edges capturing contract-to-underlying asset connections. Building on our observations of these structures, we propose a hierarchical graph learning approach for calendar spread (CS) strategies in commodity futures markets, addressing two significant gaps in the machine-learning literature: (i) the absence of learning-based methods for CS strategies in futures markets, and (ii) the lack of consideration of maturity-dependent interrelationships across commodity futures. We first establish the efficacy of CS strategies by analytically showing that CS strategies can possess higher risk-adjusted returns, measured by the information ratio, and lower risk, measured by variance and delta, than long-only strategies. We then introduce a method to convert learning-based predictions into CS positions. Next, we develop a hierarchical graph learning method that predicts futures price movements by utilizing the maturity-dependent interrelationships, thereby yielding a CS trading algorithm. Empirical results on commodity futures markets traded on the Chicago Mercantile Exchange Group demonstrate that our method outperforms benchmark models in both prediction and trading performance. We find that maturity-dependent interrelationships across commodity futures are instrumental in prediction and that CS trading based on hierarchical graph learning is effective for statistical arbitrage.

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.