Совместное обучение моделей моментума временных рядов и волатильности для фьючерсных портфелей

Сводка

В исследовании глубокое многозадачное обучение применяется к диверсифицированным портфелям на основе моментума временных рядов для непрерывных фьючерсных контрактов. Основная идея — совместно обучать построение портфеля и задачи, связанные с волатильностью, а не рассматривать сигнал моментума и оценку волатильности как независимые входные данные. Вспомогательные задачи включают прогнозирование реализованной волатильности с помощью разных оценок волатильности, чтобы улучшить решения о портфеле с поправкой на риск.

Подход тестируется на исторических данных с января 2000 по декабрь 2020 и сравнивается с существующими стратегиями моментума временных рядов. Согласно документу, после учёта транзакционных издержек до 3 базисных пунктов он превосходит эти стратегии, а добавление вспомогательных задач улучшает результаты портфеля. Это результаты бэктеста указанного фьючерсного портфеля за данный период. В кратком описании нет точной архитектуры сети, состава активов, протокола оценки или проверок устойчивости. Поэтому результаты не доказывают, что метод будет работать так же на других рынках или при реальной торговле.

Ключевые идеи

• Метод совместно обучает построение портфеля на основе моментума и вспомогательные задачи, связанные с волатильностью.
• В исследовании качество сигнала и оценка волатильности рассматриваются как взаимосвязанные задачи обучения.
• Бэктест охватывает непрерывные фьючерсы с января 2000 по декабрь 2020.
• Согласно результатам, после учёта указанных транзакционных издержек метод превосходит существующие стратегии моментума временных рядов.
• В кратком описании нет сведений об устройстве модели или более широких проверках устойчивости.

Теги

# 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.

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.