Chuyển đến nội dung
Tất cả tài liệu trong thư viện

Học mối liên kết giữa các công ty cho chiến lược lan tỏa động lượng

Bài viết arXiv papers · Tác giả: Ryan Samson et al.

Tóm tắt

Tài liệu đề xuất các liên kết vectơ đặc trưng làm đại diện cho mối quan hệ giữa các công ty. Phương pháp dùng đặc trưng để ước lượng liên kết, trước tiên bằng cách đo độ tương đồng Euclid, sau đó dùng Học máy Nhận thức Lượng tử để học độ tương đồng. Mục tiêu là biểu diễn mối liên kết giữa các công ty theo cách có thể cung cấp thông tin cho các chiến lược giao dịch lan tỏa động lượng.

Kết quả được báo cáo cho biết các chiến lược xây dựng bằng cả hai phương pháp đo độ tương đồng đều có thể sinh lời, và độ tương đồng QCML được học có hiệu suất tốt hơn phiên bản Euclid. Phần mô tả không nêu dữ liệu, giai đoạn lấy mẫu, chi phí giao dịch, kiểm soát rủi ro hay thiết kế đánh giá, đồng thời không cung cấp thước đo hiệu suất bằng số. Vì vậy, phép so sánh ủng hộ phương pháp được đề xuất trong phạm vi nghiên cứu như đã mô tả, nhưng chưa làm rõ độ vững và khả năng áp dụng trên các thị trường khác nhau.

Ý chính

  • Các liên kết vectơ đặc trưng được đề xuất làm đại diện cho mối quan hệ giữa các công ty.
  • Khoảng cách Euclid và QCML được dùng để ước lượng độ tương đồng giữa các công ty.
  • Thước đo độ tương đồng được học được áp dụng cho các chiến lược giao dịch lan tỏa động lượng.
  • Tài liệu báo cáo hiệu suất chiến lược với độ tương đồng QCML cao hơn so với độ tương đồng Euclid.
  • Tài liệu không cung cấp đủ chi tiết để đánh giá chi phí, độ vững và hiệu suất ngoài mẫu.

Thẻ

Toàn văn
# Supervised Similarity for Firm Linkages


# Supervised Similarity for Firm Linkages









We introduce a novel proxy for firm linkages, Characteristic Vector Linkages (CVLs). We use this concept to estimate firm linkages, first through Euclidean similarity, and then by applying Quantum Cognition Machine Learning (QCML) to similarity learning. We demonstrate that both methods can be used to construct profitable momentum spillover trading strategies, but QCML similarity outperforms the simpler Euclidean similarity.

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.