Zeitreihenmomentum und Volatilität gemeinsam für Futures-Portfolios lernen

Zusammenfassung

Diese Studie wendet tiefes Multi-Task-Learning auf diversifizierte Zeitreihenmomentum-Portfolios in fortlaufenden Futures an. Im Mittelpunkt steht, Portfoliozusammenstellung und volatilitätsbezogene Aufgaben gemeinsam zu erlernen, statt das Momentumsignal und die Volatilitätsschätzung als unabhängige Eingaben zu behandeln. Zu den Hilfsaufgaben zählen Prognosen der realisierten Volatilität anhand verschiedener Volatilitätsschätzer. Damit sollen risikobereinigte Portfolioentscheidungen verbessert werden.

Der Ansatz wird von Januar 2000 bis Dezember 2020 einem Backtest unterzogen und mit bestehenden Zeitreihenmomentum-Strategien verglichen. Das Dokument berichtet, dass er nach Berücksichtigung von Transaktionskosten von bis zu 3 Basispunkten diese Strategien übertrifft und dass zusätzliche Aufgaben die Portfolioperformance verbessern. Diese Ergebnisse stammen aus Backtests des angegebenen Futures-Portfolios und Zeitraums. Die Zusammenfassung erläutert weder den genauen Netzwerkaufbau noch das Asset-Universum, das Bewertungsverfahren oder Robustheitstests. Die Ergebnisse belegen daher nicht, dass die Methode in anderen Märkten oder im Live-Handel ähnlich abschneiden wird.

Kernaussagen

• Die Methode erlernt gemeinsam den Aufbau des Momentumsportfolios und volatilitätsbezogene Hilfsaufgaben.
• Die Studie behandelt Signalqualität und Volatilitätsschätzung als miteinander verbundene Lernaufgaben.
• Die Backtests umfassen fortlaufende Futures von Januar 2000 bis Dezember 2020.
• Die berichteten Ergebnisse zeigen nach den angegebenen Transaktionskosten eine bessere Performance als bei bestehenden Zeitreihenmomentum-Strategien.
• Die bereitgestellte Zusammenfassung nennt weder den Modellaufbau noch weitergehende Robustheitsbelege.

Schlagwörter

# 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.

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.