یادگیری پیوندهای میان شرکت‌ها برای استراتژی‌های سرریز مومنتوم
خلاصه
این سند پیوندهای برداریِ مشخصه را به‌عنوان جانشینی برای روابط میان شرکت‌ها پیشنهاد می‌کند. در این روش، ابتدا شباهت اقلیدسی با استفاده از مشخصه‌ها اندازه‌گیری می‌شود و سپس یادگیری ماشین شناخت کوانتومی برای آموختن شباهت به کار می‌رود. هدف، نمایش ارتباط شرکت‌ها به‌گونه‌ای است که بتواند در طراحی استراتژی‌های معاملاتی سرریز مومنتوم به کار آید.
نتایج گزارش‌شده می‌گویند استراتژی‌های ساخته‌شده با هر دو روش شباهت می‌توانند سودآور باشند و شباهت آموخته‌شده QCML از نسخه اقلیدسی عملکرد بهتری دارد. توضیحات، داده‌ها، دوره نمونه، هزینه‌های معامله، کنترل‌های ریسک یا طرح ارزیابی را مشخص نمی‌کنند و هیچ سنجه عددی عملکردی ارائه نمی‌دهند. بنابراین، این مقایسه از روش پیشنهادی در چارچوب مطالعه توصیف‌شده پشتیبانی می‌کند، اما استحکام و کاربردپذیری آن در بازارهای مختلف روشن نیست.
ایده‌های کلیدی
- پیوندهای برداریِ مشخصه به‌عنوان جانشینی برای روابط میان شرکت‌ها پیشنهاد شده‌اند.
- فاصله اقلیدسی و QCML برای برآورد شباهت میان شرکت‌ها به کار می‌روند.
- معیار شباهت آموخته‌شده در استراتژی‌های سرریز مومنتوم به کار گرفته می‌شود.
- سند گزارش می‌کند که عملکرد استراتژی با شباهت QCML از شباهت اقلیدسی بهتر بوده است.
- جزئیات لازم برای ارزیابی هزینه‌ها، استحکام و عملکرد خارج از نمونه ارائه نشده‌اند.
برچسب‌ها
متن کامل
# Supervised Similarity for Firm Linkages # Supervised Similarity for Firm Linkages We introduce a novel proxy for firm linkages, Characteristic Vector Linkages (CVLs). We use this concept to estimate firm linkages, first through Euclidean similarity, and then by applying Quantum Cognition Machine Learning (QCML) to similarity learning. We demonstrate that both methods can be used to construct profitable momentum spillover trading strategies, but QCML similarity outperforms the simpler Euclidean similarity.
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.