یادگیری گراف زمانی برای معاملات جفتی
خلاصه
این سند چارچوبی یادگیری عمیق برای شناسایی روابط متغیر در طول زمان میان دارایی‌ها، با هدف معاملات جفتی، شرح می‌دهد. یادگیری گراف رابطه زمانی چندوجهی، مشاهدات سری زمانی را با ویژگی‌های گسسته در یک گراف زمانی ترکیب می‌کند. سپس یک شبکه عصبی گراف زمانیِ مبتنی بر حافظه، یافتن موجودیت‌های مرتبط را پیش‌بینی پیوند زمانی در نظر می‌گیرد تا انتخاب خودکار جفت‌ها را هدایت کند.
نویسندگان از آزمایش روی مجموعه‌داده‌های دنیای واقعی گزارش می‌دهند و می‌گویند چارچوب از گزینه‌های جایگزین بهتر عمل می‌کند، اما سند نام مجموعه‌داده‌ها، معیارهای مقایسه، سنجه‌های ارزیابی یا هزینه‌های معامله را مشخص نمی‌کند. همچنین توضیح نمی‌دهد که پیوندهای پیش‌بینی‌شده چگونه به قواعد ورود و خروج تبدیل می‌شوند، پرتفوی حاصل چگونه مدیریت می‌شود یا عملکرد خارج از نمونه دوام می‌آورد یا نه. بنابراین، شرح حاضر رویکردی مدل‌سازی و ادعای ظرفیت تجربی آن را بیان می‌کند، اما شواهد کافی برای داوری درباره استراتژی قابل‌اجرا ارائه نمی‌دهد.
ایده‌های کلیدی
- این چارچوب روابط متغیر میان دارایی‌های مورد استفاده در معاملات جفتی را بررسی می‌کند.
- داده‌های سری زمانی و ویژگی‌های گسسته را در یک گراف زمانی ترکیب می‌کند.
- شبکه عصبی گراف مبتنی بر حافظه، پیوندهای میان موجودیت‌ها را در طول زمان پیش‌بینی می‌کند.
- نویسندگان از نتایج مطلوب روی مجموعه‌داده‌های دنیای واقعی گزارش می‌دهند، بی‌آنکه در این شرح جزئیات معیارهای مقایسه را ارائه کنند.
- سند توضیح نمی‌دهد پیش‌بینی پیوندها چگونه به قواعد معامله و ریسک تبدیل می‌شود.
برچسب‌ها
متن کامل
# 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.
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.