فیوچرز مومینٹم کے لیے مالیاتی نیٹ ورکس کی اینڈ ٹو اینڈ تعلیم

خلاصہ

یہ دستاویز L2GMOM پیش کرتی ہے، جو نیٹ ورک مومینٹم کے لیے مشین لرننگ فریم ورک ہے۔ نیٹ ورک مومینٹم مستقبل کے منافع کی پیش گوئی میں مدد کے لیے اثاثوں کے باہمی تعلقات استعمال کرتا ہے۔ مجوزہ فریم ورک پہلے نیٹ ورک بنانے اور پھر الگ مرحلے میں پورٹ فولیو بہتر بنانے کے بجائے مالیاتی نیٹ ورک اور ٹریڈنگ سگنلز کو ساتھ سیکھتا ہے۔ اس کے نیورل نیٹ ورک کا ڈھانچہ الگورتھم اَن رولنگ سے اخذ کیا گیا ہے اور اسے قابلِ تشریح بتایا گیا ہے۔ یہ فریم ورک پورٹ فولیو کارکردگی کے مختلف مقاصد، بشمول منفی شارپ ریشو، استعمال کر سکتا ہے۔

64 مسلسل فیوچرز معاہدوں پر 20 سال کے بیک ٹیسٹس میں 1.74 کا شارپ ریشو اور منافع اور خطرے کے کنٹرول میں بہتری رپورٹ کی گئی ہے۔ یہ نتائج صرف رپورٹ کردہ بیک ٹیسٹ تک محدود ہیں؛ دستاویز اخراجات، نفاذ، تقابلی طریقوں یا نمونے سے باہر توثیق کی مزید تفصیل نہیں دیتی۔ اس میں یہ بھی بتایا گیا ہے کہ روایتی نیٹ ورک بنانے کا طریقہ مہنگے ڈیٹا بیس اور ماہر علم پر منحصر ہو سکتا ہے، اگرچہ یہ واضح نہیں کیا گیا کہ رسائی کی یہ رکاوٹیں رپورٹ کردہ نتائج کو کیسے متاثر کرتی ہیں۔

اہم خیالات

• نیٹ ورک مومینٹم منافع کی پیش گوئی میں اثاثوں کے باہمی روابط استعمال کرتا ہے۔
• L2GMOM مالیاتی نیٹ ورک اور مومینٹم اسٹریٹیجی کے ٹریڈنگ سگنلز کو مشترکہ طور پر سیکھتا ہے۔
• اس کا نیورل نیٹ ورک ڈھانچہ الگورتھم اَن رولنگ پر مبنی اور قابلِ تشریح بتایا گیا ہے۔
• یہ فریم ورک منفی شارپ ریشو جیسے پورٹ فولیو مقاصد کے ساتھ تربیت پا سکتا ہے۔
• رپورٹ کردہ بیک ٹیسٹ میں 20 سال کے دوران 64 مسلسل فیوچرز معاہدے شامل تھے اور شارپ ریشو 1.74 تھا۔

ٹیگز

# Learning to Learn Financial Networks for Optimising Momentum Strategies


# Learning to Learn Financial Networks for Optimising Momentum Strategies









Network momentum provides a novel type of risk premium, which exploits the interconnections among assets in a financial network to predict future returns. However, the current process of constructing financial networks relies heavily on expensive databases and financial expertise, limiting accessibility for small-sized and academic institutions. Furthermore, the traditional approach treats network construction and portfolio optimisation as separate tasks, potentially hindering optimal portfolio performance. To address these challenges, we propose L2GMOM, an end-to-end machine learning framework that simultaneously learns financial networks and optimises trading signals for network momentum strategies. The model of L2GMOM is a neural network with a highly interpretable forward propagation architecture, which is derived from algorithm unrolling. The L2GMOM is flexible and can be trained with diverse loss functions for portfolio performance, e.g. the negative Sharpe ratio. Backtesting on 64 continuous future contracts demonstrates a significant improvement in portfolio profitability and risk control, with a Sharpe ratio of 1.74 across a 20-year period.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔