Нейросети для совместного моментума временных рядов и кросс-секционного моментума

Сводка

В документе представлены пространственно-временные стратегии моментума, сочетающие историю моментума самого актива с его моментумом относительно других активов. Подход использует нейросети для обучения торговым сигналам по портфелю и рассматривает моментум временных рядов и кросс-секционный моментум как взаимосвязанные входные данные, а не как отдельные стратегии.

Бэктесты охватывают активно торгуемые акции США US и фьючерсы на фондовые индексы. Сообщается, что один полносвязный слой сохраняет преимущество перед бенчмарками даже при транзакционных издержках, достигающих проверенных уровней. Наилучшие результаты в указанных сценариях издержек показывают регуляризация наименьшими абсолютными отклонениями и регуляризация оборота. Данные ограничены описанными портфелями и бэктестами; в документе нет подробностей о периодах оценки, определении бенчмарков или результатах реальной торговли.

Ключевые идеи

• Стратегия сочетает исторический моментум каждого актива с его моментумом относительно других активов портфеля.
• Нейросеть может совместно обучаться торговым сигналам для нескольких активов.
• По сообщению авторов, один полносвязный слой хорошо показывает себя на проверенных портфелях.
• Регуляризация наименьшими абсолютными отклонениями и оборота улучшает результаты в описанных сценариях транзакционных издержек.

Теги

# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies


# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies









We introduce Spatio-Temporal Momentum strategies, a class of models that unify both time-series and cross-sectional momentum strategies by trading assets based on their cross-sectional momentum features over time. While both time-series and cross-sectional momentum strategies are designed to systematically capture momentum risk premia, these strategies are regarded as distinct implementations and do not consider the concurrent relationship and predictability between temporal and cross-sectional momentum features of different assets. We model spatio-temporal momentum with neural networks of varying complexities and demonstrate that a simple neural network with only a single fully connected layer learns to simultaneously generate trading signals for all assets in a portfolio by incorporating both their time-series and cross-sectional momentum features. Backtesting on portfolios of 46 actively-traded US equities and 12 equity index futures contracts, we demonstrate that the model is able to retain its performance over benchmarks in the presence of high transaction costs of up to 5-10 basis points. In particular, we find that the model when coupled with least absolute shrinkage and turnover regularization results in the best performance over various transaction cost scenarios.

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.