Aprendizaje integral de redes financieras para el momentum en futuros

Resumen

El documento presenta L2GMOM, un marco de aprendizaje automático para el momentum de redes. El momentum de redes utiliza las relaciones entre activos para ayudar a predecir rendimientos futuros. El marco propuesto aprende conjuntamente la red financiera y las señales de trading, en lugar de construir primero una red y optimizar la cartera en un paso aparte. La arquitectura de su red neuronal se deriva del despliegue de algoritmos y se describe como interpretable. El marco puede utilizar distintos objetivos de rendimiento de cartera, incluido el ratio de Sharpe negativo.

Los backtests de 64 contratos de futuros continuos durante un periodo de 20 años indican un ratio de Sharpe de 1.74 y mejoras en rentabilidad y control del riesgo. Estos resultados se limitan al backtest indicado; el documento no aporta más detalles sobre costes, implementación, métodos de comparación ni validación fuera de muestra. También señala que el proceso convencional de construcción de redes puede depender de bases de datos costosas y conocimientos especializados, aunque no especifica cómo afectan esas barreras de acceso a los resultados indicados.

Ideas clave

• El momentum de redes utiliza las conexiones entre activos para orientar las previsiones de rendimiento.
• L2GMOM aprende conjuntamente una red financiera y las señales de trading de una estrategia de momentum.
• La arquitectura de su red neuronal se basa en el despliegue de algoritmos y se presenta como interpretable.
• El marco puede entrenarse con objetivos de cartera como el ratio de Sharpe negativo.
• El backtest indicado abarca 64 contratos de futuros continuos durante 20 años y presenta un ratio de Sharpe de 1.74.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.