論文の概要: Network Momentum across Asset Classes

• arxiv url: http://arxiv.org/abs/2308.11294v1
• Date: Tue, 22 Aug 2023 09:15:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 13:23:41.252271
• Title: Network Momentum across Asset Classes
• Title（参考訳）: 資産クラス間のネットワークモーメント
• Authors: Xingyue (Stacy) Pu, Stephen Roberts, Xiaowen Dong, and Stefan Zohren
• Abstract要約: 資産間のモーメント・スルーオーバーから導かれる新しい取引信号であるネットワーク・モーメントの概念を考察する。 我々は,2000年から2022年にかけて,シャープ比1.5,ボラティリティスケーリング後の年率22%を示すネットワークモーメント戦略を構築した。
• 参考スコア（独自算出の注目度）: 14.049479722250835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the concept of network momentum, a novel trading signal derived from momentum spillover across assets. Initially observed within the confines of pairwise economic and fundamental ties, such as the stock-bond connection of the same company and stocks linked through supply-demand chains, momentum spillover implies a propagation of momentum risk premium from one asset to another. The similarity of momentum risk premium, exemplified by co-movement patterns, has been spotted across multiple asset classes including commodities, equities, bonds and currencies. However, studying the network effect of momentum spillover across these classes has been challenging due to a lack of readily available common characteristics or economic ties beyond the company level. In this paper, we explore the interconnections of momentum features across a diverse range of 64 continuous future contracts spanning these four classes. We utilise a linear and interpretable graph learning model with minimal assumptions to reveal the intricacies of the momentum spillover network. By leveraging the learned networks, we construct a network momentum strategy that exhibits a Sharpe ratio of 1.5 and an annual return of 22%, after volatility scaling, from 2000 to 2022. This paper pioneers the examination of momentum spillover across multiple asset classes using only pricing data, presents a multi-asset investment strategy based on network momentum, and underscores the effectiveness of this strategy through robust empirical analysis.
• Abstract（参考訳）: 資産間のモーメントの流出から導かれる新しい取引信号であるネットワークモーメントの概念を考察する。 当初、同じ会社の株式結合やサプライ・デマンド・チェーンを通じて結ばれた株式など、経済・基本関係の両面において、モーメントの流出は、ある資産から別の資産へのモーメントリスクプレミアムの伝播を意味する。 運動量リスクプレミアム(momentum risk premium)の類似性は、コモディティ、株式、債券、通貨を含む複数の資産クラスで確認されている。 しかし,これらのクラス間での運動量流出のネットワーク効果の研究は,企業レベルを超えて容易に利用できる共通特性や経済的な結びつきが欠如していることから,課題となっている。 本稿では,これら4つのクラスにまたがる64の連続的将来契約を多岐にわたる運動量特徴の相互接続について検討する。 最小仮定で線形かつ解釈可能なグラフ学習モデルを用いて,運動量流出ネットワークの複雑さを明らかにする。 学習したネットワークを活用することで,2000年から2022年までのボラティリティ・スケーリングにより,シャープ比1.5,年間リターン22%のネットワークモメンタム戦略を構築した。 本稿では,価格データのみを用いて,複数の資産クラスにまたがるモメンタム流出の検証を行い,ネットワークモメンタムに基づくマルチアセット投資戦略を提示し,ロバストな実証分析により,この戦略の有効性を実証する。

関連論文リスト

• Multi-relational Graph Diffusion Neural Network with Parallel Retention for Stock Trends Classification [6.383640665055313]
  本稿では,複数株の今後の動きを予測することを目的としたグラフベース表現学習手法を提案する。 当社のアプローチは、7年にわたる3回の試行期間における次のトレーディングデイの株価トレンドを予想する上で、常に最先端のベースラインを上回ります。
  論文  参考訳（メタデータ） (2024-01-05T17:15:45Z)
• Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
  本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。 シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。 ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
  論文  参考訳（メタデータ） (2023-10-02T12:33:28Z)
• Spatio-Temporal Momentum: Jointly Learning Time-Series and Cross-Sectional Strategies [3.351714665243138]
  我々は, 時間的・時間的モーメント戦略を導入し, 時間とともにその断続的なモーメント特性に基づいて, 取引資産による時間的・断続的なモーメント戦略を統一する。 このモデルでは,高トランザクションコストの存在下で,ベンチマークよりもパフォーマンスを維持可能であることを実証する。 特に、最小限の縮小とターンオーバー正規化と組み合わせた場合、さまざまなトランザクションコストシナリオに対して最高のパフォーマンスが得られることが判明した。
  論文  参考訳（メタデータ） (2023-02-20T18:59:05Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Modality Competition: What Makes Joint Training of Multi-modal Network Fail in Deep Learning? (Provably) [75.38159612828362]
  最高のユニモーダルネットワークは、共同で訓練されたマルチモーダルネットワークよりも優れていることが観察されている。 この研究は、ニューラルネットワークにおけるそのようなパフォーマンスギャップの出現に関する理論的な説明を提供する。
  論文  参考訳（メタデータ） (2022-03-23T06:21:53Z)
• Temporal-Relational Hypergraph Tri-Attention Networks for Stock Trend Prediction [45.74513775015998]
  本稿では、エンドツーエンドの株価トレンド予測のための協調的時間関係モデリングフレームワークを提案する。 新しいハイパーグラフトリアテンションネットワーク(HGTAN)が提案され,ハイパーグラフ畳み込みネットワークが拡張された。 このようにして、HGTANは、在庫間の情報伝達におけるノード、ハイパーエッジ、ハイパーグラフの重要性を適応的に決定する。
  論文  参考訳（メタデータ） (2021-07-22T02:16:09Z)
• Stock2Vec: A Hybrid Deep Learning Framework for Stock Market Prediction with Representation Learning and Temporal Convolutional Network [71.25144476293507]
  我々は、株式市場の日々の価格を予測するためのグローバルなハイブリッドディープラーニングフレームワークを開発することを提案した。 表現学習によって、私たちはStock2Vecという埋め込みを導きました。 我々のハイブリッドフレームワークは、両方の利点を統合し、いくつかの人気のあるベンチマークモデルよりも、株価予測タスクにおいてより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-29T22:54:30Z)
• Detecting and adapting to crisis pattern with context based Deep Reinforcement Learning [6.224519494738852]
  本稿では、2つのサブネットワークで構成された革新的なDRLフレームワークを提案する。 テストセットの結果、このアプローチはMarkowitzのような従来のポートフォリオ最適化手法を大幅に上回っており、現在のCovidのような危機を検出し予測することができる。
  論文  参考訳（メタデータ） (2020-09-07T12:11:08Z)
• Rethinking Clustering for Robustness [56.14672993686335]
  ClusTRは、ロバストモデルを学ぶためのクラスタリングベースの、対向のないトレーニングフレームワークである。 textitClusTRは、強いPGD攻撃の下で、敵に訓練されたネットワークを最大4%上回ります。
  論文  参考訳（メタデータ） (2020-06-13T16:55:51Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。