Aprendizado hierárquico em grafos para spreads de calendário de commodities

Resumo

O estudo modela futuros de commodities como uma hierarquia: os ativos subjacentes formam um nível, e os contratos individuais, outro. Relações conectam os ativos dentro de cada nível, e conexões entre níveis ligam os contratos aos seus mercados subjacentes. Um modelo hierárquico de aprendizado em grafos usa essas relações, incluindo conexões entre contratos que dependem do vencimento, para prever movimentos dos preços futuros e gerar posições em spreads de calendário. O artigo também descreve um método para converter as previsões do modelo em operações com spreads.

Os autores argumentam analiticamente que spreads de calendário podem ter índices de informação mais altos e variância e delta menores do que estratégias apenas compradas. Testes com futuros de commodities negociados pelo CME Group relatam melhor desempenho de previsão e de trading do que modelos de referência, e identificam as conexões entre vencimentos como úteis para a previsão. Os resultados relatados apoiam a abordagem proposta de arbitragem estatística, mas o resumo fornecido não informa o período da amostra, os custos, os detalhes de implementação nem evidências de robustez fora da amostra, limitando a avaliação do desempenho no mundo real.

Ideias principais

• O modelo representa ativos subjacentes e contratos individuais de futuros como níveis conectados em um grafo.
• Relações dependentes do vencimento são usadas para prever movimentos dos preços futuros.
• As previsões são convertidas em posições em spreads de calendário.
• Os autores relatam resultados melhores de previsão e trading do que os modelos de referência em futuros do CME Group.
• A descrição fornecida não especifica custos de trading nem robustez em outros períodos e mercados.

Tags

# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets


# Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets









Commodity futures can be represented hierarchically, with underlying assets at the upper level and individual futures contracts at the lower level. Entities at each level can be connected by edges reflecting inherent correlations, with cross-level edges capturing contract-to-underlying asset connections. Building on our observations of these structures, we propose a hierarchical graph learning approach for calendar spread (CS) strategies in commodity futures markets, addressing two significant gaps in the machine-learning literature: (i) the absence of learning-based methods for CS strategies in futures markets, and (ii) the lack of consideration of maturity-dependent interrelationships across commodity futures. We first establish the efficacy of CS strategies by analytically showing that CS strategies can possess higher risk-adjusted returns, measured by the information ratio, and lower risk, measured by variance and delta, than long-only strategies. We then introduce a method to convert learning-based predictions into CS positions. Next, we develop a hierarchical graph learning method that predicts futures price movements by utilizing the maturity-dependent interrelationships, thereby yielding a CS trading algorithm. Empirical results on commodity futures markets traded on the Chicago Mercantile Exchange Group demonstrate that our method outperforms benchmark models in both prediction and trading performance. We find that maturity-dependent interrelationships across commodity futures are instrumental in prediction and that CS trading based on hierarchical graph learning is effective for statistical arbitrage.

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.