跳至正文
返回文库全部文档

用于配对交易的时序图学习

文章 arXiv papers · 作者: Junwei Su et al.
阅读原文

总结

本文介绍一个深度学习框架，用于识别配对交易中资产间随时间变化的关系。多模态时序关系图学习将时间序列观测与离散特征结合到时序图中。随后，基于记忆的时序图神经网络将寻找相关实体的任务视为时序链接预测，旨在为自动化配对选择提供依据。

作者报告了在真实数据集上的实验，并称该框架优于其他方法，但本文未说明数据集、基准、评估指标或交易成本。文中也未说明预测链接如何转化为入场和出场规则、如何管理由此形成的投资组合，或样本外表现能否持续。因此，这段描述概述了一种建模方法及其声称的实证潜力，但证据不足以判断它是否能构成可部署的策略。

核心观点

  • 该框架旨在识别配对交易所用资产之间不断变化的关系。
  • 它将时间序列数据和离散特征结合在时序图中。
  • 基于记忆的图神经网络预测实体间随时间变化的链接。
  • 作者报告了在真实数据集上的良好结果，但此处未提供基准细节。
  • 本文未解释如何将链接预测转化为交易和风险规则。

标签

配对交易机器学习股票统计学
全文
# 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.

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。