Apprentissage hiérarchique sur graphes pour les spreads calendaires de matières premières

Résumé

L’étude modélise les contrats à terme sur matières premières sous forme de hiérarchie : les actifs sous-jacents constituent un niveau et les contrats individuels un autre. Des relations relient les actifs au sein de chaque niveau, tandis que des liens entre niveaux associent les contrats à leurs marchés sous-jacents. Un modèle hiérarchique d’apprentissage sur graphes exploite ces relations, notamment les liens entre contrats dépendant de leur échéance, pour prévoir les mouvements de prix des contrats à terme et générer des positions sur spreads calendaires. L’article décrit également une méthode pour convertir les prévisions du modèle en transactions sur spreads.

Les auteurs soutiennent par une analyse théorique que les spreads calendaires peuvent présenter des ratios d’information plus élevés ainsi qu’une variance et un delta plus faibles que les stratégies acheteuses seules. Des tests sur des contrats à terme sur matières premières négociés par l’intermédiaire du groupe CME font état de meilleures prévisions et performances de trading que les modèles de référence, et indiquent que les liens d’échéance contribuent aux prévisions. Les résultats rapportés étayent l’approche d’arbitrage statistique proposée, mais le résumé fourni ne précise ni la période de l’échantillon, ni les coûts, ni les détails de mise en œuvre, ni la robustesse hors échantillon, ce qui limite l’évaluation de ses performances réelles.

Idées clés

• Le modèle représente les actifs sous-jacents et les contrats à terme individuels comme des niveaux liés d’un graphe.
• Les relations dépendant de l’échéance servent à prévoir les mouvements de prix des contrats à terme.
• Les prévisions sont converties en positions sur spreads calendaires.
• Les auteurs rapportent de meilleurs résultats de prévision et de trading que les modèles de référence sur les contrats à terme du groupe CME.
• La description fournie ne précise ni les coûts de trading ni la robustesse à d’autres périodes et marchés.

Étiquettes

# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets


# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets









Commodity futures can be represented hierarchically, with underlying assets at the upper level and individual futures contracts at the lower level. Entities at each level can be connected by edges reflecting inherent correlations, with cross-level edges capturing contract-to-underlying asset connections. Building on our observations of these structures, we propose a hierarchical graph learning approach for calendar spread (CS) strategies in commodity futures markets, addressing two significant gaps in the machine-learning literature: (i) the absence of learning-based methods for CS strategies in futures markets, and (ii) the lack of consideration of maturity-dependent interrelationships across commodity futures. We first establish the efficacy of CS strategies by analytically showing that CS strategies can possess higher risk-adjusted returns, measured by the information ratio, and lower risk, measured by variance and delta, than long-only strategies. We then introduce a method to convert learning-based predictions into CS positions. Next, we develop a hierarchical graph learning method that predicts futures price movements by utilizing the maturity-dependent interrelationships, thereby yielding a CS trading algorithm. Empirical results on commodity futures markets traded on the Chicago Mercantile Exchange Group demonstrate that our method outperforms benchmark models in both prediction and trading performance. We find that maturity-dependent interrelationships across commodity futures are instrumental in prediction and that CS trading based on hierarchical graph learning is effective for statistical arbitrage.

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.