コンテンツへスキップ
ライブラリの全資料

ペアトレード向け時系列グラフ学習

記事 arXiv papers · 著者: Junwei Su et al.
原文を読む

サマリー

この文書は、ペアトレードに用いる資産間の時間変化する関係を特定する深層学習の枠組みを説明しています。マルチモーダル時系列関係グラフ学習は、時系列観測と離散的な特徴量を時間グラフ上で組み合わせます。次に、メモリベースの時系列グラフニューラルネットワークが、関連するエンティティの特定を時間的リンク予測として扱い、自動的なペア選定に役立てることを目指します。

著者らは実世界のデータセットを用いた実験を報告し、この枠組みが代替手法より優れていると述べていますが、文書にはデータセット、ベンチマーク、評価指標、取引コストが示されていません。また、予測されたリンクをエントリー・決済ルールに変換する方法、ポートフォリオの管理方法、サンプル外で性能が持続するかについても説明がありません。したがって、この説明が示すのはモデル化手法と実証面での可能性の主張であり、実運用可能な戦略を評価するための十分な証拠ではありません。

主なアイデア

  • この枠組みはペアトレードに用いる資産間の変化する関係を対象とします。
  • 時間グラフ上で時系列データと離散的な特徴量を組み合わせます。
  • メモリベースのグラフニューラルネットワークが、時間とともに変化するエンティティ間のリンクを予測します。
  • 実世界のデータセットで良好な結果が報告されていますが、この説明にはベンチマークの詳細がありません。
  • リンク予測を売買やリスク管理のルールに変換する方法は説明されていません。

タグ

ペア取引機械学習株式統計
全文
# 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.

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。