یادگیری مشترک مومنتوم سری زمانی و نوسان برای سبدهای آتی
خلاصه
این پژوهش یادگیری عمیق چندوظیفه‌ای را برای سبدهای متنوع مومنتوم سری زمانی در قراردادهای آتی پیوسته به کار می‌گیرد. ایده اصلی این است که ساخت سبد و وظایف مرتبط با نوسان را با هم بیاموزد، نه اینکه سیگنال مومنتوم و برآورد نوسان را ورودی‌هایی مستقل در نظر بگیرد. وظایف کمکی شامل پیش‌بینی نوسان تحقق‌یافته با برآوردگرهای گوناگون نوسان است و هدف از آن بهبود تصمیم‌های سبد با تعدیل ریسک است.
این رویکرد از ژانویه 2000 تا دسامبر 2020 بک‌تست شده و با استراتژی‌های موجود مومنتوم سری زمانی مقایسه می‌شود. سند گزارش می‌دهد که با احتساب هزینه‌های تراکنش تا 3 واحد پایه، از آن استراتژی‌ها بهتر عمل می‌کند و افزودن وظایف کمکی عملکرد سبد را بهبود می‌دهد. این یافته‌های بک‌تست به سبد آتی و دوره یادشده مربوط‌اند؛ خلاصه طراحی دقیق شبکه، مجموعه دارایی‌ها، پروتکل ارزیابی یا آزمون‌های استحکام را شرح نمی‌دهد. بنابراین نتایج نشان نمی‌دهند که روش در بازارهای دیگر یا معامله زنده نیز عملکردی مشابه خواهد داشت.
ایده‌های کلیدی
- این روش ساخت سبد مومنتوم و وظایف کمکی مرتبط با نوسان را به‌طور مشترک می‌آموزد.
- پژوهش کیفیت سیگنال و برآورد نوسان را مسائل یادگیری مرتبط در نظر می‌گیرد.
- بک‌تست‌ها قراردادهای آتی پیوسته از ژانویه 2000 تا دسامبر 2020 را پوشش می‌دهند.
- نتایج گزارش‌شده پس از هزینه‌های تراکنش ذکرشده، عملکرد بهتر از استراتژی‌های موجود مومنتوم سری زمانی را نشان می‌دهند.
- خلاصه ارائه‌شده طراحی مدل یا شواهد گسترده‌تر درباره استحکام را مشخص نمی‌کند.
برچسب‌ها
متن کامل
# 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.
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.