Сквозное обучение финансовых сетей для импульсной стратегии на фьючерсном рынке

Сводка

В документе представлена L2GMOM — модель машинного обучения для сетевого импульса. Сетевой импульс использует связи между активами для прогнозирования будущих доходностей. Предлагаемая модель одновременно обучается строить финансовую сеть и формировать торговые сигналы, вместо того чтобы сначала строить сеть, а затем отдельно оптимизировать портфель. Архитектура нейронной сети основана на разворачивании алгоритма и описывается как интерпретируемая. Модель допускает разные целевые функции эффективности портфеля, включая отрицательный коэффициент Шарпа.

Бэктесты по 64 непрерывным фьючерсным контрактам за период в 20 лет показывают коэффициент Шарпа 1.74, а также улучшение прибыльности и контроля риска. Эти выводы ограничены описанным бэктестом; в документе нет дополнительных сведений об издержках, реализации, методах сравнения или проверке вне выборки. Также отмечается, что традиционное построение сети может зависеть от дорогих баз данных и специальных знаний, однако не уточняется, как эти барьеры доступа влияют на представленные результаты.

Ключевые идеи

• Сетевой импульс использует связи между активами для прогнозирования доходности.
• Модель L2GMOM одновременно обучается строить финансовую сеть и формировать торговые сигналы стратегии импульса.
• Архитектура её нейронной сети основана на разворачивании алгоритма и представлена как интерпретируемая.
• Модель можно обучать с целевыми функциями портфеля, например отрицательным коэффициентом Шарпа.
• Описанный бэктест охватывает 64 непрерывных фьючерсных контрактов за 20 лет и показывает коэффициент Шарпа 1.74.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.