企業間のつながりを学習するモメンタム波及戦略

サマリー

この文書は、企業間の関係性を示す代理指標としてCharacteristic Vector Linkagesを提案しています。特性を用いてつながりを推定し、まずユークリッド距離で類似性を測り、次にQuantum Cognition Machine Learningを適用して類似性を学習します。企業間のつながりを表現し、モメンタム波及型トレード戦略に役立てることが目的です。

報告された結果によると、両方の類似度手法を用いた戦略は収益を上げる可能性があり、学習されたQCML類似度はユークリッド版を上回ります。説明にはデータ、対象期間、取引コスト、リスク管理、評価設計が示されておらず、数値による運用成績もありません。そのため、記載された研究の範囲内では提案手法を支持する比較結果ですが、頑健性や市場横断での適用可能性は不明です。

主なアイデア

• Characteristic Vector Linkagesを企業間関係の代理指標として提案しています。
• 企業間の類似性推定にユークリッド距離とQCMLを用います。
• 学習された類似度指標をモメンタム波及戦略に適用しています。
• QCML類似度を用いた戦略は、ユークリッド類似度を用いた場合より高い成績だったと報告されています。
• コスト、頑健性、標本外成績の評価に必要な詳細は示されていません。

タグ

# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。