Học đồ thị theo thời gian cho giao dịch cặp

Tóm tắt

Tài liệu mô tả khuôn khổ học sâu để nhận diện các mối quan hệ biến đổi theo thời gian giữa tài sản phục vụ giao dịch cặp. Học đồ thị quan hệ đa phương thức theo thời gian kết hợp quan sát chuỗi thời gian với đặc trưng rời rạc trong đồ thị thời gian. Sau đó, mạng nơ-ron đồ thị thời gian dựa trên bộ nhớ xem nhiệm vụ tìm các thực thể liên quan là dự đoán liên kết theo thời gian, nhằm hỗ trợ lựa chọn cặp tự động.

Các tác giả báo cáo thí nghiệm trên bộ dữ liệu thực tế và cho biết khuôn khổ này hoạt động tốt hơn các phương án khác, nhưng tài liệu không nêu tên bộ dữ liệu, chuẩn đối chiếu, thước đo đánh giá hoặc chi phí giao dịch. Tài liệu cũng không cho biết các liên kết được dự đoán trở thành quy tắc vào lệnh và thoát lệnh như thế nào, danh mục kết quả được quản lý ra sao hoặc hiệu suất có duy trì ngoài mẫu hay không. Vì vậy, mô tả phác thảo cách tiếp cận mô hình hóa và tiềm năng thực nghiệm được khẳng định, nhưng chưa đưa ra đủ bằng chứng để đánh giá một chiến lược có thể triển khai.

Ý chính

• Khuôn khổ nhắm đến các mối quan hệ thay đổi giữa những tài sản dùng trong giao dịch cặp.
• Phương pháp kết hợp dữ liệu chuỗi thời gian và đặc trưng rời rạc trong đồ thị thời gian.
• Mạng nơ-ron đồ thị dựa trên bộ nhớ dự đoán liên kết giữa các thực thể theo thời gian.
• Các tác giả báo cáo kết quả khả quan trên bộ dữ liệu thực tế, nhưng mô tả này không nêu chi tiết chuẩn đối chiếu.
• Tài liệu không giải thích cách chuyển dự đoán liên kết thành quy tắc giao dịch và quản lý rủi ro.

Thẻ

# 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.

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.