Обучение на временных графах для парного трейдинга

Сводка

В документе описана система глубокого обучения для выявления меняющихся во времени связей между активами при парном трейдинге. Мультимодальное обучение на графах временных связей объединяет временные ряды с дискретными признаками в темпоральном графе. Затем основанная на памяти темпоральная графовая нейронная сеть решает задачу поиска связанных сущностей как задачу прогнозирования временных связей, чтобы помочь автоматически подбирать пары.

Авторы сообщают об экспериментах на реальных наборах данных и утверждают, что система превосходит альтернативы, однако в документе не названы наборы данных, бенчмарки, метрики оценки или торговые издержки. Не объясняется, как прогнозируемые связи превращаются в правила входа и выхода, как управляется полученный портфель и сохраняется ли эффективность вне выборки. Таким образом, описание излагает подход к моделированию и заявленную эмпирическую перспективность, но не содержит достаточно данных для оценки стратегии, готовой к применению.

Ключевые идеи

• Система предназначена для выявления меняющихся связей между активами в парном трейдинге.
• Она объединяет данные временных рядов и дискретные признаки в темпоральном графе.
• Графовая нейронная сеть на основе памяти прогнозирует связи между сущностями во времени.
• Авторы сообщают о хороших результатах на реальных наборах данных, но описание не содержит подробностей бенчмарков.
• В документе не объясняется, как прогнозы связей преобразуются в торговые правила и правила управления рисками.

Теги

# MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning


# MTRGL:Effective Temporal Correlation Discerning through Multi-modal Temporal Relational Graph Learning









In this study, we explore the synergy of deep learning and financial market applications, focusing on pair trading. This market-neutral strategy is integral to quantitative finance and is apt for advanced deep-learning techniques. A pivotal challenge in pair trading is discerning temporal correlations among entities, necessitating the integration of diverse data modalities. Addressing this, we introduce a novel framework, Multi-modal Temporal Relation Graph Learning (MTRGL). MTRGL combines time series data and discrete features into a temporal graph and employs a memory-based temporal graph neural network. This approach reframes temporal correlation identification as a temporal graph link prediction task, which has shown empirical success. Our experiments on real-world datasets confirm the superior performance of MTRGL, emphasizing its promise in refining automated pair trading strategies.

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.