Mạng nơ-ron kết hợp động lượng chuỗi thời gian và động lượng chéo

Tóm tắt

Tài liệu trình bày các chiến lược động lượng không-thời gian, kết hợp lịch sử động lượng của chính tài sản với động lượng tương đối so với các tài sản khác. Cách tiếp cận dùng mạng nơ-ron để học tín hiệu giao dịch trên toàn danh mục, xem động lượng chuỗi thời gian và động lượng chéo là các đầu vào có liên quan thay vì các chiến lược tách biệt.

Kiểm thử lịch sử bao gồm cổ phiếu US có giao dịch sôi động và hợp đồng tương lai chỉ số cổ phiếu. Một lớp kết nối đầy đủ được cho là vẫn có lợi thế so với các chuẩn đối chiếu, ngay cả ở mức chi phí giao dịch cao nhất đã kiểm thử. Điều chuẩn hóa co rút tuyệt đối tối thiểu và điều chuẩn hóa theo vòng quay giao dịch đạt kết quả tốt nhất trong các kịch bản chi phí được nêu. Bằng chứng chỉ giới hạn ở các danh mục và kiểm thử lịch sử được mô tả; tài liệu không cung cấp thêm chi tiết về các giai đoạn đánh giá, định nghĩa chuẩn đối chiếu hay kết quả giao dịch thực.

Ý chính

• Chiến lược kết hợp động lượng lịch sử của từng tài sản với động lượng tương đối so với các tài sản khác trong danh mục.
• Mạng nơ-ron có thể học đồng thời tín hiệu giao dịch cho nhiều tài sản.
• Một lớp kết nối đầy đủ được báo cáo là hoạt động tốt trong các danh mục được kiểm thử.
• Điều chuẩn hóa co rút tuyệt đối tối thiểu và điều chuẩn hóa theo vòng quay giao dịch cải thiện kết quả trong các kịch bản chi phí giao dịch được nêu.

Thẻ

# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies


# Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies









We introduce Spatio-Temporal Momentum strategies, a class of models that unify both time-series and cross-sectional momentum strategies by trading assets based on their cross-sectional momentum features over time. While both time-series and cross-sectional momentum strategies are designed to systematically capture momentum risk premia, these strategies are regarded as distinct implementations and do not consider the concurrent relationship and predictability between temporal and cross-sectional momentum features of different assets. We model spatio-temporal momentum with neural networks of varying complexities and demonstrate that a simple neural network with only a single fully connected layer learns to simultaneously generate trading signals for all assets in a portfolio by incorporating both their time-series and cross-sectional momentum features. Backtesting on portfolios of 46 actively-traded US equities and 12 equity index futures contracts, we demonstrate that the model is able to retain its performance over benchmarks in the presence of high transaction costs of up to 5-10 basis points. In particular, we find that the model when coupled with least absolute shrinkage and turnover regularization results in the best performance over various transaction cost scenarios.

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.