Aprendizado Integrado de Redes Financeiras para Momentum em Futuros

Resumo

O documento apresenta L2GMOM, uma estrutura de aprendizado de máquina para momentum em rede. O momentum em rede usa relações entre ativos para ajudar a prever retornos futuros. A estrutura proposta aprende a rede financeira e os sinais de trading em conjunto, em vez de primeiro construir uma rede e depois otimizar uma carteira como etapas separadas. Sua arquitetura de rede neural deriva do desenrolamento de algoritmos e é descrita como interpretável. A estrutura pode usar diferentes objetivos de desempenho da carteira, incluindo o índice de Sharpe negativo.

Backtests com 64 contratos futuros contínuos ao longo de um período de 20 anos relatam um índice de Sharpe de 1.74 e melhorias na rentabilidade e no controle de risco. Esses resultados se limitam ao backtest relatado; o documento não fornece mais detalhes sobre custos, implementação, métodos de comparação ou validação fora da amostra. Também observa que o processo convencional de construção de redes pode depender de bancos de dados caros e conhecimento especializado, embora não especifique como essas barreiras de acesso afetam os resultados relatados.

Ideias principais

• O momentum em rede usa conexões entre ativos para informar previsões de retorno.
• L2GMOM aprende em conjunto uma rede financeira e os sinais de trading para uma estratégia de momentum.
• A arquitetura da rede neural se baseia no desenrolamento de algoritmos e é apresentada como interpretável.
• A estrutura pode ser treinada com objetivos para a carteira, como o índice de Sharpe negativo.
• O backtest relatado abrange 64 contratos futuros contínuos ao longo de 20 anos e apresenta índice de Sharpe de 1.74.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.