페어 트레이딩과 시간 그래프 학습

기사 arXiv papers · 저자: Junwei Su et al.

요약

이 문서는 페어 트레이딩을 위해 자산 간 시간 가변 관계를 찾아내는 딥러닝 프레임워크를 설명합니다. 다중 모달 시간 관계 그래프 학습은 시계열 관측값과 이산 특징을 시간 그래프에서 결합합니다. 이어서 메모리 기반 시간 그래프 신경망은 관련된 개체를 찾는 작업을 시간적 링크 예측으로 다루며, 자동 페어 선정에 참고하는 것을 목표로 합니다.

저자들은 실제 데이터셋에서 실험을 수행해 이 프레임워크가 대안보다 우수했다고 보고하지만, 이 문서는 데이터셋, 벤치마크, 평가 지표 또는 거래 비용을 밝히지 않습니다. 예측된 링크를 진입·청산 규칙으로 전환하는 방법, 결과 포트폴리오를 관리하는 방법, 표본 외에서도 성과가 유지되는지도 설명하지 않습니다. 따라서 이 설명은 모형화 접근법과 그 실증적 가능성에 대한 주장을 제시할 뿐, 실제 배포할 수 있는 전략인지 판단하기에는 근거가 부족합니다.

핵심 아이디어

이 프레임워크는 페어 트레이딩에 활용되는 자산 간 시간 가변 관계를 다룹니다.
시계열 데이터와 이산 특징을 시간 그래프에서 결합합니다.
메모리 기반 그래프 신경망이 시간에 따른 개체 간 링크를 예측합니다.
저자들은 실제 데이터셋에서 유리한 결과를 보고하지만, 이 설명에는 벤치마크 세부사항이 없습니다.
이 문서는 링크 예측을 매매 규칙과 리스크 규칙으로 연결하는 방법을 설명하지 않습니다.

# 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.

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

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

페어 트레이딩을 위한 시간 그래프 학습

요약

핵심 아이디어

태그