Redes neurais para combinar momentum de séries temporais e transversal | Stratmill

Resumo

Este documento apresenta estratégias de momentum espaço-temporal que combinam o histórico de momentum de um ativo com seu momentum em relação a outros ativos. A abordagem usa redes neurais para aprender sinais de trading em uma carteira, tratando o momentum de séries temporais e o transversal como entradas relacionadas, em vez de estratégias separadas.

Os backtests abrangem ações dos US negociadas ativamente e futuros de índices de ações. Relata-se que uma única camada totalmente conectada manteve vantagem sobre referências com custos de transação tão altos quanto os níveis testados. A regularização por encolhimento absoluto mínimo e por giro apresentou os melhores resultados nos cenários de custos indicados. As evidências se limitam às carteiras e aos backtests descritos; o documento não fornece mais detalhes sobre períodos de avaliação, definições das referências ou resultados de trading ao vivo.

Ideias principais

• A estratégia combina o momentum histórico de cada ativo com seu momentum em relação aos demais ativos da carteira.
• Uma rede neural pode aprender conjuntamente sinais de trading para vários ativos.
• Relata-se que uma única camada totalmente conectada teve bom desempenho nas carteiras testadas.
• A regularização por encolhimento absoluto mínimo e por giro melhora os resultados nos cenários de custos de transação indicados.

Tags

# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies


# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies









We introduce Spatio-Temporal Momentum strategies, a class of models that unify both time-series and cross-sectional momentum strategies by trading assets based on their cross-sectional momentum features over time. While both time-series and cross-sectional momentum strategies are designed to systematically capture momentum risk premia, these strategies are regarded as distinct implementations and do not consider the concurrent relationship and predictability between temporal and cross-sectional momentum features of different assets. We model spatio-temporal momentum with neural networks of varying complexities and demonstrate that a simple neural network with only a single fully connected layer learns to simultaneously generate trading signals for all assets in a portfolio by incorporating both their time-series and cross-sectional momentum features. Backtesting on portfolios of 46 actively-traded US equities and 12 equity index futures contracts, we demonstrate that the model is able to retain its performance over benchmarks in the presence of high transaction costs of up to 5-10 basis points. In particular, we find that the model when coupled with least absolute shrinkage and turnover regularization results in the best performance over various transaction cost scenarios.

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.