Aprendizaje con grafos temporales para el trading de pares

Resumen

Este documento describe un marco de aprendizaje profundo para identificar relaciones cambiantes entre activos para el trading de pares. Multi-modal Temporal Relation Graph Learning combina observaciones de series temporales con características discretas en un grafo temporal. Después, una red neuronal de grafos temporales basada en memoria trata la búsqueda de entidades relacionadas como una predicción de enlaces temporales, con el objetivo de orientar la selección automatizada de pares.

Los autores informan de experimentos con conjuntos de datos del mundo real y afirman que el marco supera a las alternativas, pero el documento no identifica los conjuntos de datos, las referencias de comparación, las medidas de evaluación ni los costes de trading. Tampoco explica cómo se convierten los enlaces predichos en reglas de entrada y salida, cómo se gestiona la cartera resultante ni si el rendimiento se mantiene fuera de muestra. Por tanto, la descripción presenta un enfoque de modelización y su potencial empírico declarado, pero no aporta pruebas suficientes para evaluar una estrategia implementable.

Ideas clave

• El marco busca modelar las relaciones cambiantes entre activos utilizados en el trading de pares.
• Combina datos de series temporales y características discretas en un grafo temporal.
• Una red neuronal de grafos basada en memoria predice enlaces entre entidades a lo largo del tiempo.
• Los autores informan de resultados favorables con conjuntos de datos del mundo real, pero esta descripción no aporta detalles de las comparaciones.
• El documento no explica cómo se traducen las predicciones de enlaces en reglas de trading y gestión del riesgo.

Etiquetas

# 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.

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.