मोमेंटम प्रसार रणनीतियों के लिए कंपनी संबंध सीखना
सारांश
यह दस्तावेज़ कंपनियों के बीच संबंधों के प्रतिनिधि के रूप में विशेषता सदिश संबंध प्रस्तावित करता है। यह पहले यूक्लिडीय समानता मापकर और फिर समानता सीखने के लिए क्वांटम कॉग्निशन मशीन लर्निंग लागू करके विशेषताओं से संबंधों का अनुमान लगाता है। लक्ष्य कंपनियों के जुड़ाव को इस तरह दर्शाना है कि उससे मोमेंटम प्रसार ट्रेडिंग रणनीतियों को दिशा मिल सके।
रिपोर्ट किए गए परिणाम कहते हैं कि समानता की दोनों विधियों से बनी रणनीतियाँ लाभदायक हो सकती हैं और सीखी गई QCML समानता यूक्लिडीय विधि से बेहतर प्रदर्शन करती है। विवरण में डेटा, नमूना अवधि, लेनदेन लागत, जोखिम नियंत्रण या मूल्यांकन संरचना की पहचान नहीं की गई है और न ही प्रदर्शन के संख्यात्मक माप दिए गए हैं। इसलिए वर्णित अध्ययन के भीतर तुलना प्रस्तावित विधि का समर्थन करती है, लेकिन विभिन्न बाज़ारों में इसकी मज़बूती और लागू होने की क्षमता स्पष्ट नहीं है।
मुख्य विचार
- विशेषता सदिश संबंध कंपनियों के रिश्तों के प्रतिनिधि के रूप में प्रस्तावित हैं।
- कंपनियों के बीच समानता का अनुमान लगाने के लिए यूक्लिडीय दूरी और क्वांटम कॉग्निशन मशीन लर्निंग (QCML) का उपयोग किया जाता है।
- सीखे गए समानता माप को मोमेंटम प्रसार रणनीतियों में लागू किया गया है।
- दस्तावेज़ यूक्लिडीय समानता की तुलना में QCML समानता से रणनीति का बेहतर प्रदर्शन रिपोर्ट करता है।
- लागत, मज़बूती और नमूने से बाहर के प्रदर्शन का आकलन करने के लिए आवश्यक विवरण उपलब्ध नहीं हैं।
टैग
पूरा पाठ
# 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.
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।