Aprendizaje conjunto de momentum y volatilidad para carteras de futuros

Resumen

Este estudio aplica aprendizaje profundo multitarea a carteras diversificadas de momentum de series temporales en futuros continuos. La idea central es aprender conjuntamente la construcción de carteras y las tareas relacionadas con la volatilidad, en lugar de tratar la señal de momentum y la estimación de volatilidad como variables independientes. Entre las tareas auxiliares se incluyen predicciones de volatilidad realizada mediante distintos estimadores, con el objetivo de mejorar las decisiones de cartera ajustadas al riesgo.

El enfoque se evalúa mediante backtests desde enero de 2000 hasta diciembre de 2020 y se compara con estrategias existentes de momentum de series temporales. El documento informa de que supera a esas estrategias tras tener en cuenta costes de transacción de hasta 3 puntos básicos, y de que añadir tareas auxiliares mejora el rendimiento de la cartera. Estos resultados de backtest corresponden a la cartera de futuros y al periodo indicados; el resumen no describe el diseño preciso de la red, el universo de activos, el protocolo de evaluación ni las pruebas de robustez. Por tanto, los resultados no demuestran que el método vaya a funcionar de forma similar en otros mercados o en trading en vivo.

Ideas clave

• El método aprende conjuntamente la construcción de carteras de momentum y las tareas auxiliares relacionadas con la volatilidad.
• El estudio trata la calidad de la señal y la estimación de volatilidad como problemas de aprendizaje relacionados.
• Los backtests abarcan futuros continuos desde enero de 2000 hasta diciembre de 2020.
• Los resultados presentados muestran un rendimiento superior al de estrategias existentes de momentum de series temporales después de los costes de transacción indicados.
• El resumen proporcionado no especifica el diseño del modelo ni pruebas de robustez más amplias.

Etiquetas

# 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.

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.