Neuronale Netze für Zeitreihen- und Querschnittsmomentum

Zusammenfassung

Dieses Dokument stellt räumlich-zeitliche Momentumstrategien vor, die die eigene Momentumhistorie eines Vermögenswerts mit seinem Momentum im Vergleich zu anderen Vermögenswerten verbinden. Der Ansatz verwendet neuronale Netze, um Handelssignale für ein Portfolio zu erlernen, und behandelt Zeitreihen- und Querschnittsmomentum als zusammenhängende Eingaben statt als getrennte Strategien.

Backtests umfassen aktiv gehandelte US-Aktien und Aktienindex-Futures. Berichten zufolge behält eine einzelne vollständig verbundene Schicht gegenüber Vergleichsmaßstäben einen Vorteil, selbst bei Transaktionskosten bis zu den getesteten Kostenniveaus. Least-Absolute-Shrinkage und Turnover-Regularisierung schneiden über die angegebenen Kostenszenarien am besten ab. Die Belege beschränken sich auf die beschriebenen Portfolios und Backtests; das Dokument enthält keine weiteren Angaben zu Evaluationszeiträumen, Definitionen der Vergleichsmaßstäbe oder Ergebnissen aus dem Live-Trading.

Kernaussagen

• Die Strategie verbindet das historische Momentum jedes Vermögenswerts mit seinem Momentum gegenüber anderen Portfolioanlagen.
• Ein neuronales Netz kann gemeinsam Handelssignale für mehrere Vermögenswerte erlernen.
• Laut Bericht schneidet eine einzelne vollständig verbundene Schicht in den getesteten Portfolios gut ab.
• Least-Absolute-Shrinkage und Turnover-Regularisierung schneiden in den angegebenen Transaktionskostenszenarien am besten ab.

Schlagwörter

# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies


# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies









We introduce Spatio-Temporal Momentum strategies, a class of models that unify both time-series and cross-sectional momentum strategies by trading assets based on their cross-sectional momentum features over time. While both time-series and cross-sectional momentum strategies are designed to systematically capture momentum risk premia, these strategies are regarded as distinct implementations and do not consider the concurrent relationship and predictability between temporal and cross-sectional momentum features of different assets. We model spatio-temporal momentum with neural networks of varying complexities and demonstrate that a simple neural network with only a single fully connected layer learns to simultaneously generate trading signals for all assets in a portfolio by incorporating both their time-series and cross-sectional momentum features. Backtesting on portfolios of 46 actively-traded US equities and 12 equity index futures contracts, we demonstrate that the model is able to retain its performance over benchmarks in the presence of high transaction costs of up to 5-10 basis points. In particular, we find that the model when coupled with least absolute shrinkage and turnover regularization results in the best performance over various transaction cost scenarios.

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.