Réseaux neuronaux et momentum temporel et transversal conjoint

Résumé

Ce document présente des stratégies de momentum spatio-temporel qui associent l’historique de momentum propre à chaque actif à son momentum relatif aux autres actifs. L’approche utilise des réseaux neuronaux pour apprendre des signaux de trading sur l’ensemble d’un portefeuille et traite le momentum des séries temporelles et le momentum transversal comme des entrées liées plutôt que comme des stratégies distinctes.

Les backtests portent sur des actions activement négociées US et des contrats à terme sur indices boursiers. Une seule couche entièrement connectée conserverait un avantage par rapport aux références, même avec des coûts de transaction aussi élevés que ceux testés. La régularisation L1 (LASSO) et celle du taux de rotation donnent les meilleurs résultats parmi les scénarios de coûts décrits. Les éléments présentés se limitent aux portefeuilles et backtests décrits ; le document ne précise pas davantage les périodes d’évaluation, la définition des références ni les résultats en trading réel.

Idées clés

• La stratégie combine le momentum historique de chaque actif à son momentum relatif aux autres actifs du portefeuille.
• Un réseau neuronal peut apprendre conjointement des signaux de trading pour plusieurs actifs.
• Une seule couche entièrement connectée donne de bons résultats dans les portefeuilles testés, selon les auteurs.
• La régularisation par le moindre rétrécissement absolu et celle du taux de rotation améliorent les résultats selon les scénarios de coûts de transaction présentés.

Étiquettes

# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies


# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies









We introduce Spatio-Temporal Momentum strategies, a class of models that unify both time-series and cross-sectional momentum strategies by trading assets based on their cross-sectional momentum features over time. While both time-series and cross-sectional momentum strategies are designed to systematically capture momentum risk premia, these strategies are regarded as distinct implementations and do not consider the concurrent relationship and predictability between temporal and cross-sectional momentum features of different assets. We model spatio-temporal momentum with neural networks of varying complexities and demonstrate that a simple neural network with only a single fully connected layer learns to simultaneously generate trading signals for all assets in a portfolio by incorporating both their time-series and cross-sectional momentum features. Backtesting on portfolios of 46 actively-traded US equities and 12 equity index futures contracts, we demonstrate that the model is able to retain its performance over benchmarks in the presence of high transaction costs of up to 5-10 basis points. In particular, we find that the model when coupled with least absolute shrinkage and turnover regularization results in the best performance over various transaction cost scenarios.

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.