Иерархическое обучение на графах для календарных спредов

Сводка

В исследовании товарные фьючерсы моделируются как иерархия: базовые активы образуют один уровень, отдельные контракты — другой. Связи соединяют активы внутри каждого уровня, а межуровневые связи соединяют контракты с базовыми рынками. Иерархическая модель обучения на графах использует эти связи, включая зависимые от срока погашения связи между контрактами, чтобы прогнозировать движение цен фьючерсов и формировать позиции в календарных спредах. В статье также описан способ преобразования прогнозов модели в сделки со спредами.

Авторы теоретически обосновывают, что календарные спреды могут иметь более высокие информационные коэффициенты и меньшую дисперсию и дельту, чем стратегии только с длинными позициями. Испытания на товарных фьючерсах, торгуемых через CME Group, показывают более высокие результаты прогнозирования и торговли по сравнению с эталонными моделями и выявляют пользу связей по срокам погашения для прогнозирования. Полученные результаты поддерживают предложенный подход к статистическому арбитражу, однако в кратком описании не указаны период выборки, издержки, детали реализации или данные об устойчивости вне выборки, что ограничивает оценку эффективности в реальных условиях.

Ключевые идеи

• Модель представляет базовые активы и отдельные фьючерсные контракты как связанные уровни графа.
• Для прогнозирования движения цен фьючерсов используются связи, зависящие от срока погашения.
• Прогнозы преобразуются в позиции по календарным спредам.
• Авторы сообщают о более высоких результатах прогнозирования и торговли по сравнению с эталонными моделями на фьючерсах CME Group.
• В предоставленном описании не указаны торговые издержки или устойчивость результатов в другие периоды и на других рынках.

Теги

# 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.

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.