پیئر ٹریڈنگ کے لیے زمانی گراف لرننگ

خلاصہ

یہ دستاویز پیئر ٹریڈنگ کے لیے اثاثوں کے درمیان وقت کے ساتھ بدلتے تعلقات شناخت کرنے کا ڈیپ لرننگ فریم ورک بیان کرتی ہے۔ ملٹی موڈل ٹمپورل ریلیشن گراف لرننگ زمانی سلسلے کے مشاہدات کو مجرد خصوصیات کے ساتھ ایک زمانی گراف میں یکجا کرتی ہے۔ پھر یادداشت پر مبنی زمانی گراف نیورل نیٹ ورک متعلقہ اکائیاں تلاش کرنے کو زمانی لنک پیش گوئی کا مسئلہ سمجھتا ہے، تاکہ خودکار طور پر جوڑوں کے انتخاب میں مدد ملے۔

مصنفین حقیقی دنیا کے ڈیٹا سیٹس پر تجربات کی اطلاع دیتے ہیں اور کہتے ہیں کہ فریم ورک متبادل طریقوں سے بہتر کارکردگی دکھاتا ہے، لیکن دستاویز ڈیٹا سیٹس، بینچ مارکس، جانچ کے پیمانوں یا ٹریڈنگ اخراجات کے نام نہیں بتاتی۔ یہ بھی واضح نہیں کہ پیش گوئی شدہ روابط داخلے اور اخراج کے قواعد میں کیسے بدلتے ہیں، حاصل شدہ پورٹ فولیو کیسے سنبھالا جاتا ہے، یا کارکردگی نمونے سے باہر بھی برقرار رہتی ہے۔ چنانچہ یہ وضاحت ایک ماڈلنگ طریقہ اور اس کی دعویٰ کردہ تجرباتی صلاحیت بتاتی ہے، مگر قابلِ نفاذ حکمتِ عملی پر فیصلہ کرنے کے لیے کافی شواہد نہیں دیتی۔

اہم خیالات

• فریم ورک پیئر ٹریڈنگ میں استعمال ہونے والے اثاثوں کے بدلتے تعلقات کا مطالعہ کرتا ہے۔
• یہ زمانی ڈیٹا اور مجرد خصوصیات کو زمانی گراف میں یکجا کرتا ہے۔
• یادداشت پر مبنی گراف نیورل نیٹ ورک وقت کے ساتھ اکائیوں کے درمیان روابط کی پیش گوئی کرتا ہے۔
• مصنفین حقیقی دنیا کے ڈیٹا سیٹس پر سازگار نتائج رپورٹ کرتے ہیں، مگر اس وضاحت میں بینچ مارک کی تفصیل نہیں۔
• دستاویز نہیں بتاتی کہ لنک کی پیش گوئیاں ٹریڈنگ اور خطرے کے قواعد میں کیسے بدلتی ہیں۔

ٹیگز

# 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.

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۔