فیوچرز پورٹ فولیوز کے لیے ٹائم سیریز مومینٹم اور اتار چڑھاؤ کو مشترکہ طور پر سیکھنا

خلاصہ

یہ مطالعہ مسلسل فیوچرز میں متنوع ٹائم سیریز مومینٹم پورٹ فولیوز پر گہری کثیر کاموں والی مشین لرننگ لاگو کرتا ہے۔ بنیادی خیال یہ ہے کہ پورٹ فولیو کی تشکیل اور اتار چڑھاؤ سے متعلق کاموں کو مشترکہ طور پر سیکھا جائے، بجائے اس کے کہ مومینٹم سگنل اور اتار چڑھاؤ کے تخمینے کو الگ الگ اِن پٹ سمجھا جائے۔ معاون کاموں میں اتار چڑھاؤ کے مختلف تخمینہ کاروں کا استعمال کرتے ہوئے حاصل شدہ اتار چڑھاؤ کی پیش گوئی شامل ہے، جس کا مقصد خطرے کے مطابق پورٹ فولیو کے بہتر فیصلے کرنا ہے۔

اس طریقے کا جنوری 2000 سے دسمبر 2020 تک بیک ٹیسٹ کیا گیا اور اس کا موازنہ موجودہ ٹائم سیریز مومینٹم اسٹریٹیجیز سے کیا گیا۔ دستاویز رپورٹ کرتی ہے کہ 3 بیسس پوائنٹس تک کے ٹرانزیکشن اخراجات شامل کرنے کے بعد اس نے ان اسٹریٹیجیز سے بہتر کارکردگی دکھائی، اور معاون کاموں کے اضافے سے پورٹ فولیو کی کارکردگی بہتر ہوئی۔ یہ بیان کردہ فیوچرز پورٹ فولیو اور مدت کے بیک ٹیسٹ نتائج ہیں؛ خلاصے میں نیٹ ورک کا درست ڈیزائن، اثاثوں کی کائنات، جائزے کا طریقۂ کار یا مضبوطی کی جانچیں بیان نہیں کی گئیں۔ لہٰذا یہ نتائج ثابت نہیں کرتے کہ طریقہ دوسری مارکیٹس یا لائیو ٹریڈنگ میں بھی اسی طرح کارکردگی دکھائے گا۔

اہم خیالات

• یہ طریقہ مومینٹم پورٹ فولیو کی تشکیل اور اتار چڑھاؤ سے متعلق معاون کاموں کو مشترکہ طور پر سیکھتا ہے۔
• مطالعہ سگنل کے معیار اور اتار چڑھاؤ کے تخمینے کو باہم مربوط سیکھنے کے مسائل سمجھتا ہے۔
• بیک ٹیسٹس میں مسلسل فیوچرز پر جنوری 2000 سے دسمبر 2020 تک کا عرصہ شامل ہے۔
• رپورٹ کردہ نتائج میں بیان کردہ ٹرانزیکشن اخراجات کے بعد موجودہ ٹائم سیریز مومینٹم اسٹریٹیجیز سے بہتر کارکردگی دکھائی گئی ہے۔
• فراہم کردہ خلاصہ ماڈل کا ڈیزائن یا وسیع تر مضبوطی کے شواہد بیان نہیں کرتا۔

ٹیگز

# 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.

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۔