למידת קשרים בין חברות לאסטרטגיות זליגת מומנטום
סיכום
המסמך מציע קשרים מבוססי וקטורי מאפיינים כתחליף לייצוג היחסים בין חברות. הוא משתמש במאפיינים כדי לאמוד קשרים: תחילה באמצעות מדידת דמיון אוקלידי, ולאחר מכן באמצעות למידת דמיון ב-QCML. המטרה היא לייצג את הקשרים בין חברות באופן שיכול לסייע באסטרטגיות מסחר המבוססות על זליגת מומנטום.
התוצאות המדווחות מצביעות על כך שאסטרטגיות המבוססות על שתי שיטות הדמיון עשויות להיות רווחיות, ושהדמיון הנלמד של QCML משיג ביצועים טובים יותר מהגרסה האוקלידית. התיאור אינו מציין את הנתונים, את תקופת המדגם, את עלויות העסקה, את בקרות הסיכון או את מערך ההערכה, ואינו מספק מדדי ביצועים מספריים. לכן, ההשוואה תומכת בשיטה המוצעת במסגרת המחקר כפי שתואר, אך אינה מבהירה את עמידותה או את תחולתה בשווקים שונים.
רעיונות מרכזיים
- קשרים מבוססי וקטורי מאפיינים מוצעים כתחליף ליחסים בין חברות.
- המרחק האוקלידי ו־QCML משמשים להערכת הדמיון בין חברות.
- מדד הדמיון שנלמד מיושם באסטרטגיות זליגת מומנטום.
- המסמך מדווח על ביצועים טובים יותר של האסטרטגיה עם דמיון QCML מאשר עם דמיון אוקלידי.
- לא נמסרו הפרטים הדרושים להערכת העלויות, העמידות והביצועים מחוץ למדגם.
תגיות
הטקסט המלא
# Supervised Similarity for Firm Linkages # Supervised Similarity for Firm Linkages We introduce a novel proxy for firm linkages, Characteristic Vector Linkages (CVLs). We use this concept to estimate firm linkages, first through Euclidean similarity, and then by applying Quantum Cognition Machine Learning (QCML) to similarity learning. We demonstrate that both methods can be used to construct profitable momentum spillover trading strategies, but QCML similarity outperforms the simpler Euclidean similarity.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.