फ़्यूचर्स पोर्टफ़ोलियो में समय-श्रृंखला मोमेंटम और अस्थिरता का संयुक्त अधिगम
सारांश
यह अध्ययन सतत फ़्यूचर्स में विविधीकृत समय-श्रृंखला मोमेंटम पोर्टफ़ोलियो पर डीप मल्टी-टास्क लर्निंग लागू करता है। इसका मुख्य विचार पोर्टफ़ोलियो निर्माण और अस्थिरता-संबंधी कार्यों को साथ सीखना है, बजाय इसके कि मोमेंटम संकेत और अस्थिरता अनुमान को स्वतंत्र इनपुट माना जाए। सहायक कार्यों में अलग-अलग अस्थिरता अनुमानकों से वास्तविक अस्थिरता का पूर्वानुमान शामिल है, ताकि जोखिम-समायोजित पोर्टफ़ोलियो निर्णय बेहतर हों।
इस तरीके का जनवरी 2000 से दिसंबर 2020 तक बैकटेस्ट किया गया और मौजूदा समय-श्रृंखला मोमेंटम रणनीतियों से तुलना की गई। दस्तावेज़ के अनुसार, 3 आधार अंकों तक की लेनदेन लागत शामिल करने के बाद भी इसने उन रणनीतियों से बेहतर प्रदर्शन किया; सहायक कार्यों को जोड़ने से पोर्टफ़ोलियो का प्रदर्शन भी सुधरा। ये परिणाम बताए गए फ़्यूचर्स पोर्टफ़ोलियो और अवधि के बैकटेस्ट तक सीमित हैं; सारांश में नेटवर्क की सटीक बनावट, एसेट समूह, मूल्यांकन प्रक्रिया या मज़बूती जाँचों का विवरण नहीं है। इसलिए ये नतीजे यह स्थापित नहीं करते कि यह तरीका अन्य बाज़ारों या लाइव ट्रेडिंग में भी इसी तरह प्रदर्शन करेगा।
मुख्य विचार
- यह तरीका मोमेंटम पोर्टफ़ोलियो निर्माण और अस्थिरता-संबंधी सहायक कार्यों को संयुक्त रूप से सीखता है।
- अध्ययन संकेत की गुणवत्ता और अस्थिरता अनुमान को आपस में जुड़े अधिगम कार्य मानता है।
- बैकटेस्ट में जनवरी 2000 से दिसंबर 2020 तक के सतत फ़्यूचर्स शामिल हैं।
- रिपोर्ट किए गए नतीजे बताते हैं कि बताई गई लेनदेन लागत के बाद इसने मौजूदा समय-श्रृंखला मोमेंटम रणनीतियों से बेहतर प्रदर्शन किया।
- दिए गए सारांश में मॉडल की बनावट या व्यापक मज़बूती के साक्ष्य का विवरण नहीं है।
टैग
पूरा पाठ
# 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.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।