Học mạng tài chính đầu cuối cho động lượng hợp đồng tương lai

Tóm tắt

Tài liệu trình bày L2GMOM, một khung học máy cho động lượng mạng lưới. Động lượng mạng lưới sử dụng mối liên hệ giữa các tài sản để hỗ trợ dự báo lợi nhuận tương lai. Khung đề xuất học đồng thời mạng tài chính và tín hiệu giao dịch, thay vì dựng mạng trước rồi tối ưu hóa danh mục như một bước riêng. Kiến trúc mạng nơ-ron được xây dựng từ kỹ thuật khai triển thuật toán và được mô tả là có thể diễn giải. Khung có thể sử dụng nhiều mục tiêu hiệu quả danh mục, bao gồm Sharpe ratio âm.

Kiểm thử lịch sử trên 64 hợp đồng tương lai liên tục trong giai đoạn 20 năm báo cáo Sharpe ratio 1.74 cùng những cải thiện về khả năng sinh lời và kiểm soát rủi ro. Các phát hiện này chỉ giới hạn trong kiểm thử lịch sử được báo cáo; tài liệu không nêu thêm chi tiết về chi phí, triển khai, phương pháp so sánh hay xác nhận ngoài mẫu. Tài liệu cũng lưu ý quy trình xây dựng mạng thông thường có thể phụ thuộc vào cơ sở dữ liệu tốn kém và kiến thức chuyên môn, dù không nêu những rào cản tiếp cận đó ảnh hưởng thế nào đến kết quả được báo cáo.

Ý chính

• Động lượng mạng lưới sử dụng kết nối giữa các tài sản để hỗ trợ dự báo lợi nhuận.
• L2GMOM đồng thời học mạng tài chính và tín hiệu giao dịch cho chiến lược động lượng.
• Kiến trúc mạng nơ-ron dựa trên kỹ thuật khai triển thuật toán và được trình bày là có thể diễn giải.
• Khung có thể được huấn luyện với các mục tiêu danh mục như Sharpe ratio âm.
• Kiểm thử lịch sử được báo cáo bao phủ 64 hợp đồng tương lai liên tục trong 20 năm và đạt Sharpe ratio 1.74.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.