Learning to Learn Financial Networks for Optimising Momentum Strategies

要約

ネットワークの勢いは、金融ネットワーク内の資産間の相互接続を利用して将来のリターンを予測する、新しいタイプのリスクプレミアムを提供します。
しかし、金融ネットワークを構築する現在のプロセスは、高価なデータベースと金融の専門知識に大きく依存しており、小規模機関や学術機関のアクセスは制限されています。
さらに、従来のアプローチではネットワーク構築とポートフォリオの最適化が別個のタスクとして扱われるため、最適なポートフォリオのパフォーマンスが妨げられる可能性があります。
これらの課題に対処するために、金融ネットワークを学習し、ネットワーク モメンタム戦略の取引シグナルを最適化するエンドツーエンドの機械学習フレームワークである L2GMOM を提案します。
L2GMOM のモデルは、アルゴリズム展開から派生した、解釈性の高い順伝播アーキテクチャを備えたニューラル ネットワークです。
L2GMOM は柔軟性があり、ポートフォリオのパフォーマンスのためにさまざまな損失関数を使用してトレーニングできます。
負のシャープレシオ。
64 の継続先物契約のバックテストでは、ポートフォリオの収益性とリスク管理が大幅に改善され、20 年間のシャープ レシオが 1.74 であることが実証されました。

要約(オリジナル)

Network momentum provides a novel type of risk premium, which exploits the interconnections among assets in a financial network to predict future returns. However, the current process of constructing financial networks relies heavily on expensive databases and financial expertise, limiting accessibility for small-sized and academic institutions. Furthermore, the traditional approach treats network construction and portfolio optimisation as separate tasks, potentially hindering optimal portfolio performance. To address these challenges, we propose L2GMOM, an end-to-end machine learning framework that simultaneously learns financial networks and optimises trading signals for network momentum strategies. The model of L2GMOM is a neural network with a highly interpretable forward propagation architecture, which is derived from algorithm unrolling. The L2GMOM is flexible and can be trained with diverse loss functions for portfolio performance, e.g. the negative Sharpe ratio. Backtesting on 64 continuous future contracts demonstrates a significant improvement in portfolio profitability and risk control, with a Sharpe ratio of 1.74 across a 20-year period.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google