모멘텀 파급 전략을 위한 기업 연결 관계 학습

요약

이 문서는 기업 간 관계를 나타내는 대리 지표로 특성 벡터 연결 관계를 제안합니다. 특성을 사용해 연결 관계를 추정하는데, 먼저 유클리드 유사도를 측정한 다음 Quantum Cognition Machine Learning을 적용해 유사도를 학습합니다. 기업들이 어떻게 연결되어 있는지 나타내 모멘텀 파급 트레이딩 전략에 활용하는 것이 목표입니다.

보고된 결과에 따르면 두 가지 유사도 산출법으로 만든 전략 모두 수익을 낼 수 있으며, 학습된 QCML 유사도가 유클리드 방식보다 더 나은 성과를 보입니다. 설명에는 데이터, 표본 기간, 거래 비용, 리스크 통제 또는 평가 설계가 명시되지 않았고 수치 성과도 제시되지 않습니다. 따라서 설명된 연구 안에서는 제안된 방법을 뒷받침하지만, 다른 시장에서의 견고성과 적용 가능성은 불분명합니다.

핵심 아이디어

• 특성 벡터 연결 관계를 기업 간 관계의 대리 지표로 제안합니다.
• 유클리드 거리와 QCML를 사용해 기업 간 유사도를 추정합니다.
• 학습된 유사도 측정법을 모멘텀 파급 전략에 적용합니다.
• 문서에서는 QCML 유사도를 사용한 전략이 유클리드 유사도 방식보다 높은 성과를 보였다고 보고합니다.
• 비용, 견고성, 표본 외 성과를 평가하는 데 필요한 세부 정보는 제공되지 않습니다.

태그

# 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.

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

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