Обучение связям между компаниями для стратегий переноса импульса

Сводка

В документе предлагаются векторные связи характеристик (Characteristic Vector Linkages) как приближение взаимосвязей между компаниями. Для оценки связей используются характеристики: сначала измеряется евклидово сходство, затем сходство обучается с помощью машинного обучения на основе квантового познания (Quantum Cognition Machine Learning). Цель — представить связи между компаниями так, чтобы использовать их в торговых стратегиях переноса импульса.

Согласно результатам, стратегии, построенные на обоих методах оценки сходства, могут быть доходными, а обученная мера сходства QCML работает лучше евклидовой версии. В описании не указаны данные, период выборки, транзакционные издержки, контроль рисков или схема оценки; численные показатели доходности тоже не приведены. Поэтому сравнение подтверждает предложенный метод в рамках описанного исследования, но не позволяет судить о его устойчивости и применимости на разных рынках.

Ключевые идеи

• Векторные связи характеристик предлагаются как приближение взаимосвязей между компаниями.
• Для оценки сходства компаний используются евклидово расстояние и QCML.
• Обученная мера сходства применяется в стратегиях переноса импульса.
• В документе сообщается о более высоких результатах стратегии при использовании сходства QCML, чем при использовании евклидова сходства.
• Не приведены сведения, необходимые для оценки издержек, устойчивости и результатов вне выборки.

Теги

# Supervised Similarity for Firm Linkages


# Supervised Similarity for Firm Linkages









We introduce a novel proxy for firm linkages, Characteristic Vector Linkages (CVLs). We use this concept to estimate firm linkages, first through Euclidean similarity, and then by applying Quantum Cognition Machine Learning (QCML) to similarity learning. We demonstrate that both methods can be used to construct profitable momentum spillover trading strategies, but QCML similarity outperforms the simpler Euclidean similarity.

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.