Aprendizaje jerárquico de grafos para spreads de calendario de materias primas

Resumen

El estudio modeliza los futuros sobre materias primas como una jerarquía: los activos subyacentes forman un nivel y los contratos individuales, otro. Las relaciones conectan activos dentro de cada nivel, mientras que los vínculos entre niveles relacionan los contratos con sus mercados subyacentes. Un modelo jerárquico de aprendizaje de grafos utiliza estas relaciones, incluidos los vínculos entre contratos que dependen del vencimiento, para predecir los movimientos de los precios de futuros y generar posiciones en spreads de calendario. El artículo también describe un método para convertir las predicciones del modelo en operaciones con spreads.

Los autores argumentan analíticamente que los spreads de calendario pueden tener ratios de información más altos y menor varianza y delta que las estrategias solo largas. Las pruebas con futuros sobre materias primas negociados a través de CME Group informan de mejores resultados de predicción y trading que los modelos de referencia, e identifican los vínculos de vencimiento como útiles para predecir. Los hallazgos respaldan el enfoque propuesto de arbitraje estadístico, pero el resumen proporcionado no indica el periodo de la muestra, los costes, los detalles de implementación ni la evidencia de robustez fuera de muestra, lo que limita la evaluación de su rendimiento en condiciones reales.

Ideas clave

• El modelo representa los activos subyacentes y los contratos de futuros individuales como niveles conectados en un grafo.
• Las relaciones que dependen del vencimiento se utilizan para predecir los movimientos de los precios de futuros.
• Las predicciones se convierten en posiciones en spreads de calendario.
• Los autores informan de mejores resultados de predicción y trading frente a modelos de referencia en futuros de CME Group.
• La descripción proporcionada no especifica los costes de trading ni la robustez en otros periodos y mercados.

Etiquetas

# 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.

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.