למידת גרפים זמניים למסחר בזוגות
סיכום
המסמך מתאר מסגרת למידה עמוקה לזיהוי קשרים משתנים בזמן בין נכסים לצורך מסחר בזוגות. למידת גרף קשרים זמניים רב־מודלית משלבת תצפיות מסדרות זמן עם מאפיינים בדידים בגרף זמני. לאחר מכן, רשת עצבית גרפית זמנית המבוססת על זיכרון מתייחסת למשימת מציאת ישויות קשורות כאל חיזוי קישורים זמני, במטרה לסייע בבחירה אוטומטית של זוגות.
המחברים מדווחים על ניסויים במערכי נתונים מהעולם האמיתי וטוענים שהמסגרת עולה בביצועיה על חלופות, אך המסמך אינו מציין את מערכי הנתונים, שיטות ההשוואה, מדדי ההערכה או עלויות המסחר. הוא גם אינו מפרט כיצד קישורים חזויים הופכים לכללי כניסה ויציאה, כיצד מנוהל התיק המתקבל, או אם הביצועים נשמרים מחוץ למדגם. לכן התיאור מציג גישת מידול ואת הפוטנציאל האמפירי הנטען שלה, אך אינו מספק די ראיות להערכת אסטרטגיה שניתנת ליישום.
רעיונות מרכזיים
- המסגרת מכוונת לקשרים משתנים בין נכסים המשמשים למסחר בזוגות.
- היא משלבת נתוני סדרות זמן ומאפיינים בדידים בגרף זמני.
- רשת עצבית גרפית המבוססת על זיכרון חוזה קישורים בין ישויות לאורך זמן.
- המחברים מדווחים על תוצאות חיוביות במערכי נתונים מהעולם האמיתי, ללא פרטי השוואה בתיאור זה.
- המסמך אינו מסביר כיצד תחזיות קישורים מתורגמות לכללי מסחר וניהול סיכונים.
תגיות
הטקסט המלא
# 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.
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.