跳至正文
返回文库全部文档

学习企业关联以制定动量溢出策略

文章 arXiv papers · 作者: Ryan Samson et al.
阅读原文

总结

本文提出特征向量关联，作为企业间关系的代理指标。它利用企业特征估计关联，先衡量欧几里得相似度，再运用量子认知机器学习学习相似度，以此表示企业之间的联系，为动量溢出交易策略提供参考。

报告结果称，基于这两种相似度方法构建的策略都可能盈利，且学习得到的 QCML 相似度优于欧几里得版本。描述未说明数据、样本期、交易成本、风险控制或评估设计，也未提供具体绩效指标。因此，按文中所述，这一比较支持该方法在本研究中的应用，但其稳健性及在不同市场中的适用性仍不明确。

核心观点

  • 本文提出将特征向量关联作为企业关系的代理指标。
  • 本文使用欧几里得距离和 QCML 估计企业间的相似度。
  • 学习得到的相似度指标被用于动量溢出策略。
  • 文中报告称，使用 QCML 相似度的策略表现优于使用欧几里得相似度的策略。
  • 文中未提供评估成本、稳健性和样本外表现所需的细节。

标签

股票动量机器学习统计学因子投资
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。