Aprendizado conjunto de momentum e volatilidade em carteiras de futuros

Resumo

Este estudo aplica aprendizado profundo multitarefa a carteiras diversificadas de momentum em séries temporais de futuros contínuos. A ideia central é aprender em conjunto a construção da carteira e tarefas relacionadas à volatilidade, em vez de tratar o sinal de momentum e a estimativa de volatilidade como entradas independentes. As tarefas auxiliares incluem prever a volatilidade realizada com diferentes estimadores, com o objetivo de melhorar as decisões de carteira ajustadas ao risco.

A abordagem é avaliada por backtest de janeiro de 2000 a dezembro de 2020 e comparada com estratégias existentes de momentum em séries temporais. O documento relata desempenho superior ao dessas estratégias após considerar custos de transação de até 3 pontos-base e informa que a inclusão de tarefas auxiliares melhora o desempenho da carteira. Esses resultados de backtest se referem à carteira de futuros e ao período indicados; o resumo não descreve o desenho preciso da rede, o universo de ativos, o protocolo de avaliação nem os testes de robustez. Portanto, os resultados não comprovam que o método terá desempenho semelhante em outros mercados ou no trading ao vivo.

Ideias principais

• O método aprende em conjunto a construção da carteira de momentum e tarefas auxiliares relacionadas à volatilidade.
• O estudo trata a qualidade do sinal e a estimativa de volatilidade como problemas de aprendizado relacionados.
• Os backtests cobrem futuros contínuos de janeiro de 2000 a dezembro de 2020.
• Os resultados relatados mostram desempenho superior ao de estratégias existentes de momentum em séries temporais após os custos de transação indicados.
• O resumo fornecido não especifica o desenho do modelo nem evidências mais amplas de robustez.

Tags

# Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning


# Constructing Time-Series Momentum Portfolios with Deep Multi-Task Learning









A diversified risk-adjusted time-series momentum (TSMOM) portfolio can deliver substantial abnormal returns and offer some degree of tail risk protection during extreme market events. The performance of existing TSMOM strategies, however, relies not only on the quality of the momentum signal but also on the efficacy of the volatility estimator. Yet many of the existing studies have always considered these two factors to be independent. Inspired by recent progress in Multi-Task Learning (MTL), we present a new approach using MTL in a deep neural network architecture that jointly learns portfolio construction and various auxiliary tasks related to volatility, such as forecasting realized volatility as measured by different volatility estimators. Through backtesting from January 2000 to December 2020 on a diversified portfolio of continuous futures contracts, we demonstrate that even after accounting for transaction costs of up to 3 basis points, our approach outperforms existing TSMOM strategies. Moreover, experiments confirm that adding auxiliary tasks indeed boosts the portfolio's performance. These findings demonstrate that MTL can be a powerful tool in finance.

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.