Apprentissage de bout en bout des réseaux financiers pour le momentum sur contrats à terme

Résumé

Le document présente L2GMOM, un cadre d’apprentissage automatique pour le momentum de réseau. Celui-ci utilise les relations entre actifs pour aider à prévoir les rendements futurs. Le cadre proposé apprend conjointement le réseau financier et les signaux de trading, au lieu de construire d’abord un réseau puis d’optimiser séparément un portefeuille. Son architecture de réseau neuronal est dérivée du déroulage d’algorithmes et est présentée comme interprétable. Le cadre peut utiliser différents objectifs de performance de portefeuille, dont le ratio de Sharpe négatif.

Les backtests portant sur 64 contrats à terme continus sur une période de 20 ans rapportent un ratio de Sharpe de 1.74 ainsi que des améliorations de la rentabilité et du contrôle du risque. Ces résultats se limitent au backtest rapporté ; le document ne donne aucun détail supplémentaire sur les coûts, la mise en œuvre, les méthodes de comparaison ou la validation hors échantillon. Il relève également que la construction conventionnelle de réseaux peut dépendre de bases de données coûteuses et de connaissances spécialisées, sans préciser l’effet de ces obstacles d’accès sur les résultats rapportés.

Idées clés

• Le momentum de réseau utilise les liens entre actifs pour éclairer les prévisions de rendement.
• L2GMOM apprend conjointement un réseau financier et les signaux de trading d’une stratégie de momentum.
• Son architecture de réseau neuronal repose sur le déroulage d’algorithmes et est présentée comme interprétable.
• Le cadre peut être entraîné avec des objectifs de portefeuille tels que le ratio de Sharpe négatif.
• Le backtest rapporté porte sur 64 contrats à terme continus sur 20 ans et indique un ratio de Sharpe de 1.74.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.