Apprendre conjointement le momentum temporel et la volatilité pour les portefeuilles de contrats à terme

Résumé

Cette étude applique l’apprentissage profond multitâche à des portefeuilles diversifiés de momentum temporel sur des contrats à terme continus. L’idée centrale consiste à apprendre conjointement la construction du portefeuille et les tâches liées à la volatilité, plutôt qu’à traiter le signal de momentum et l’estimation de la volatilité comme des données d’entrée indépendantes. Les tâches auxiliaires comprennent la prévision de la volatilité réalisée à l’aide de différents estimateurs de volatilité, dans le but d’améliorer les décisions de portefeuille ajustées au risque.

L’approche fait l’objet d’un backtest de janvier 2000 à décembre 2020 et est comparée aux stratégies existantes de momentum temporel. Le document rapporte qu’elle les surpasse après prise en compte de coûts de transaction allant jusqu’à 3 points de base et que l’ajout de tâches auxiliaires améliore la performance du portefeuille. Ces résultats de backtest portent sur le portefeuille de contrats à terme et la période indiqués ; le résumé ne décrit ni l’architecture précise du réseau, ni l’univers d’actifs, ni le protocole d’évaluation, ni les vérifications de robustesse. Ils n’établissent donc pas que la méthode donnera des résultats similaires sur d’autres marchés ou en trading réel.

Idées clés

• La méthode apprend conjointement la construction d’un portefeuille de momentum et des tâches auxiliaires liées à la volatilité.
• L’étude traite la qualité du signal et l’estimation de la volatilité comme des problèmes d’apprentissage liés.
• Les backtests couvrent les contrats à terme continus de janvier 2000 à décembre 2020.
• Les résultats rapportés montrent une surperformance par rapport aux stratégies existantes de momentum temporel après les coûts de transaction indiqués.
• Le résumé fourni ne précise ni la conception du modèle ni les éléments de robustesse plus générale.

Étiquettes

# 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.

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.