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

要約

時系列のモメンタム戦略を紹介します。これは、時間の経過に伴う横断的なモメンタムの特徴に基づいて資産を取引することにより、時系列と横断的なモメンタム戦略の両方を統合するモデルのクラスです。
時系列および横断的なモメンタム戦略はいずれも、モメンタム リスク プレミアムを体系的に把握するように設計されていますが、これらの戦略は別個の実装と見なされ、異なる資産の一時的および横断的なモメンタムの特徴の間の同時関係および予測可能性は考慮されていません。
さまざまな複雑さのニューラル ネットワークを使用して時空間モメンタムをモデル化し、単一の完全に接続されたレイヤーのみを備えた単純なニューラル ネットワークが、時系列とクロスセクションのモメンタムの両方を組み込むことにより、ポートフォリオ内のすべての資産のトレーディング シグナルを同時に生成することを学習することを示します。
特徴。
アクティブに取引されている 46 の米国株と 12 の株価指数先物契約のポートフォリオでバックテストを行った結果、最大 5 ～ 10 ベーシス ポイントの高い取引コストが存在する場合でも、モデルがベンチマークを上回るパフォーマンスを維持できることが示されました。
特に、最小絶対収縮と売上高の正則化と組み合わせたモデルは、さまざまなトランザクション コスト シナリオで最高のパフォーマンスを発揮することがわかりました。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google