学习构建金融网络以优化动量策略
投资组合管理
2023-08-25 v1 人工智能
机器学习
交易与市场微观结构
机器学习
摘要
网络动量提供了一种新型风险溢价，其利用金融网络中资产间的相互关联来预测未来收益。然而，当前构建金融网络的过程严重依赖昂贵的数据库与金融专业知识，限制了小型及学术机构的可及性。此外，传统方法将网络构建与投资组合优化视为独立任务，可能阻碍最优投资组合表现。为应对这些挑战，我们提出L2GMOM，一种端到端机器学习框架，可同时学习金融网络并优化网络动量策略的交易信号。L2GMOM的模型是一个具有高度可解释前向传播架构的神经网络，该架构源自算法展开。L2GMOM灵活且可使用多种投资组合表现损失函数进行训练，例如负夏普比率。在64个连续期货合约上的回测表明，投资组合盈利性与风险控制显著提升，20年间夏普比率达1.74。
引用
@article{arxiv.2308.12212,
title = {Learning to Learn Financial Networks for Optimising Momentum Strategies},
author = {Xingyue Pu and Stefan Zohren and Stephen Roberts and Xiaowen Dong},
journal= {arXiv preprint arXiv:2308.12212},
year = {2023}
}
备注
9 pages