Apprentissage par graphes temporels pour le trading par paires

Résumé

Ce document décrit un cadre d’apprentissage profond pour repérer les relations évolutives entre actifs dans le cadre du trading par paires. L’apprentissage de graphes de relations temporelles multimodaux combine des observations de séries temporelles et des caractéristiques discrètes dans un graphe temporel. Un réseau neuronal de graphe temporel fondé sur la mémoire traite ensuite la recherche d’entités liées comme une prédiction de liens temporels, afin d’éclairer la sélection automatisée de paires.

Les auteurs rapportent des expériences sur des jeux de données du monde réel et indiquent que le cadre surpasse les solutions alternatives, mais le document ne nomme ni les jeux de données, ni les références, ni les mesures d’évaluation, ni les coûts de trading. Il ne détaille pas non plus comment les liens prédits deviennent des règles d’entrée et de sortie, comment le portefeuille obtenu est géré, ni si les performances se maintiennent hors échantillon. La description présente donc une approche de modélisation et son potentiel empirique revendiqué, sans fournir assez d’éléments pour juger une stratégie déployable.

Idées clés

• Le cadre cible les relations évolutives entre actifs utilisées dans le trading par paires.
• Il combine des données de séries temporelles et des caractéristiques discrètes dans un graphe temporel.
• Un réseau neuronal de graphe fondé sur la mémoire prédit les liens entre entités au fil du temps.
• Les auteurs rapportent des résultats favorables sur des jeux de données du monde réel, sans fournir de détails sur les références dans cette description.
• Le document n’explique pas comment les prédictions de liens se traduisent en règles de trading et de gestion des risques.

Étiquettes

# 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.

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.