Aprendizado de Grafos Temporais para Pairs Trading

Resumo

Este documento descreve uma estrutura de deep learning para identificar relações variáveis no tempo entre ativos para pairs trading. O aprendizado multimodal de relações temporais em grafos combina observações de séries temporais com características discretas em um grafo temporal. Em seguida, uma rede neural de grafos temporais baseada em memória trata a busca por entidades relacionadas como previsão de links temporais, com o objetivo de orientar a seleção automatizada de pares.

Os autores relatam experimentos com conjuntos de dados do mundo real e afirmam que a estrutura tem desempenho superior ao de alternativas, mas o documento não identifica os conjuntos de dados, benchmarks, medidas de avaliação ou custos de negociação. Também não detalha como os links previstos se tornam regras de entrada e saída, como a carteira resultante é gerenciada ou se o desempenho persiste fora da amostra. Portanto, a descrição apresenta uma abordagem de modelagem e sua promessa empírica alegada, mas não oferece evidências suficientes para avaliar uma estratégia pronta para implementação.

Ideias principais

• A estrutura busca identificar relações variáveis entre ativos usados em pairs trading.
• Ela combina dados de séries temporais e características discretas em um grafo temporal.
• Uma rede neural de grafos baseada em memória prevê links entre entidades ao longo do tempo.
• Os autores relatam resultados favoráveis em conjuntos de dados do mundo real, sem apresentar detalhes dos benchmarks nesta descrição.
• O documento não explica como as previsões de links se traduzem em regras de negociação e risco.

Tags

# 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.

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.