본문으로 건너뛰기
라이브러리 문서 전체

선물 모멘텀을 위한 금융 네트워크 종단 간 학습

기사 arXiv papers · 저자: Xingyue Pu et al.
원문 읽기

요약

이 문서는 네트워크 모멘텀을 위한 머신러닝 프레임워크인 L2GMOM을 제시합니다. 네트워크 모멘텀은 자산 간 관계를 활용해 미래 수익률을 예측합니다. 제안된 프레임워크는 먼저 네트워크를 구성하고 별도 단계에서 포트폴리오를 최적화하는 대신, 금융 네트워크와 트레이딩 신호를 함께 학습합니다. 신경망 구조는 알고리즘 언롤링에서 도출됐으며 해석 가능하다고 설명합니다. 음의 샤프 비율을 포함해 다양한 포트폴리오 성과 목적함수를 사용할 수 있습니다.

64개의 연속 선물 계약을 대상으로 20년 동안 수행한 백테스트에서 샤프 비율 1.74와 수익성 및 위험 관리의 개선을 보고했다. 이러한 결과는 보고된 백테스트에 한정된다. 문서에는 비용, 구현, 비교 방법 또는 표본 외 검증에 관한 추가 세부 정보가 없다. 또한 기존의 네트워크 구축 과정에는 비용이 많이 드는 데이터베이스와 전문 지식이 필요할 수 있다고 언급하지만, 이러한 접근 장벽이 보고된 결과에 어떤 영향을 미치는지는 구체적으로 설명하지 않는다.

핵심 아이디어

  • 네트워크 모멘텀은 자산 간 연결을 수익률 예측에 활용합니다.
  • L2GMOM은 금융 네트워크와 모멘텀 전략의 트레이딩 신호를 함께 학습합니다.
  • 신경망 구조는 알고리즘 언롤링을 기반으로 하며 해석 가능한 것으로 제시됩니다.
  • 음의 샤프 비율 같은 포트폴리오 목적함수로 프레임워크를 훈련할 수 있습니다.
  • 보고된 백테스트는 64개 연속 선물 계약을 20년간 다루며 샤프 비율 1.74를 제시합니다.

태그

선물모멘텀머신러닝포트폴리오 구성백테스트리스크 관리
전문
# Learning to Learn Financial Networks for Optimising Momentum Strategies


# Learning to Learn Financial Networks for Optimising Momentum Strategies









Network momentum provides a novel type of risk premium, which exploits the interconnections among assets in a financial network to predict future returns. However, the current process of constructing financial networks relies heavily on expensive databases and financial expertise, limiting accessibility for small-sized and academic institutions. Furthermore, the traditional approach treats network construction and portfolio optimisation as separate tasks, potentially hindering optimal portfolio performance. To address these challenges, we propose L2GMOM, an end-to-end machine learning framework that simultaneously learns financial networks and optimises trading signals for network momentum strategies. The model of L2GMOM is a neural network with a highly interpretable forward propagation architecture, which is derived from algorithm unrolling. The L2GMOM is flexible and can be trained with diverse loss functions for portfolio performance, e.g. the negative Sharpe ratio. Backtesting on 64 continuous future contracts demonstrates a significant improvement in portfolio profitability and risk control, with a Sharpe ratio of 1.74 across a 20-year period.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.