یادگیری سرتاسری شبکه‌های مالی برای مومنتوم قراردادهای آتی
خلاصه
این سند L2GMOM را معرفی می‌کند؛ چارچوبی برای یادگیری ماشین در مومنتوم شبکه‌ای. مومنتوم شبکه‌ای از روابط میان دارایی‌ها برای کمک به پیش‌بینی بازده آینده استفاده می‌کند. چارچوب پیشنهادی شبکه مالی و سیگنال‌های معاملاتی را با هم یاد می‌گیرد، به‌جای آنکه ابتدا شبکه را بسازد و سپس سبد را در گامی جداگانه بهینه کند. معماری شبکه عصبی آن از گسترش الگوریتم مشتق شده و تفسیرپذیر توصیف می‌شود. چارچوب می‌تواند از اهداف مختلف عملکرد سبد، از جمله نسبت شارپ منفی، استفاده کند.
بک‌تست‌ها روی 64 قرارداد آتی پیوسته طی دوره‌ای 20 ساله، نسبت شارپ 1.74 و بهبود سودآوری و کنترل ریسک را گزارش می‌کنند. این یافته‌ها به بک‌تست گزارش‌شده محدودند؛ سند جزئیات بیشتری درباره هزینه‌ها، اجرا، روش‌های مقایسه یا اعتبارسنجی خارج از نمونه ارائه نمی‌کند. همچنین اشاره می‌کند که فرایند متعارف ساخت شبکه می‌تواند به پایگاه‌های داده پرهزینه و دانش تخصصی وابسته باشد، اما توضیح نمی‌دهد این موانع دسترسی چه اثری بر نتایج گزارش‌شده دارند.
ایده‌های کلیدی
- مومنتوم شبکه‌ای از پیوندهای میان دارایی‌ها برای آگاهی‌بخشی به پیش‌بینی بازده استفاده می‌کند.
- L2GMOM شبکه مالی و سیگنال‌های معاملاتی استراتژی مومنتوم را به‌طور مشترک یاد می‌گیرد.
- معماری شبکه عصبی آن بر گسترش الگوریتم مبتنی است و تفسیرپذیر معرفی می‌شود.
- چارچوب را می‌توان با اهداف سبدی مانند نسبت شارپ منفی آموزش داد.
- بک‌تست گزارش‌شده 64 قرارداد آتی پیوسته را طی 20 سال پوشش می‌دهد و نسبت شارپ 1.74 را به دست می‌دهد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.