Zeitliches Graphenlernen für den Paarhandel

Zusammenfassung

Dieses Dokument beschreibt ein Deep-Learning-Verfahren, das zeitvariable Beziehungen zwischen Vermögenswerten für den Paarhandel identifiziert. Multi-modal Temporal Relation Graph Learning kombiniert Zeitreihenbeobachtungen mit diskreten Merkmalen in einem zeitlichen Graphen. Ein gedächtnisbasiertes zeitliches Graph-neuronales Netz behandelt die Suche nach verwandten Entitäten als zeitliche Linkvorhersage, um die automatisierte Paarauswahl zu unterstützen.

Die Autoren berichten über Experimente mit realen Datensätzen und geben an, dass das Verfahren besser abschneidet als Alternativen. Das Dokument nennt jedoch weder Datensätze und Benchmarks noch Bewertungsmaße oder Handelskosten. Es erläutert auch nicht, wie aus vorhergesagten Verbindungen Einstiegs- und Ausstiegsregeln werden, wie das resultierende Portfolio verwaltet wird oder ob die Leistung außerhalb der Stichprobe anhält. Die Beschreibung skizziert daher einen Modellierungsansatz und dessen behauptetes empirisches Potenzial, bietet aber keine ausreichende Grundlage, um eine einsetzbare Strategie zu beurteilen.

Kernaussagen

• Das Verfahren zielt auf veränderliche Beziehungen zwischen Vermögenswerten für den Paarhandel.
• Es kombiniert Zeitreihendaten und diskrete Merkmale in einem zeitlichen Graphen.
• Ein gedächtnisbasiertes Graph-neuronales Netz sagt Verbindungen zwischen Entitäten im Zeitverlauf vorher.
• Die Autoren berichten über günstige Ergebnisse mit realen Datensätzen, ohne in dieser Beschreibung Benchmark-Details anzugeben.
• Das Dokument erklärt nicht, wie Linkvorhersagen in Handels- und Risikoregeln umgesetzt werden.

Schlagwörter

# 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.

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.