Fugu-MT 論文翻訳(概要): Re-evaluating Short- and Long-Term Trend Factors in CTA Replication: A Bayesian Graphical Approach

論文の概要: Re-evaluating Short- and Long-Term Trend Factors in CTA Replication: A Bayesian Graphical Approach

arxiv url: http://arxiv.org/abs/2507.15876v1
Date: Thu, 17 Jul 2025 12:09:29 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-23 21:34:13.779095
Title: Re-evaluating Short- and Long-Term Trend Factors in CTA Replication: A Bayesian Graphical Approach
Title（参考訳）: CTA複製における短期的・長期的傾向因子の再評価:ベイジアングラフ的アプローチ
Authors: Eric Benhamou, Jean-Jacques Ohana, Alban Etienne, Béatrice Guez, Ethan Setrouk, Thomas Jacquot,
Abstract要約: 本稿では,(i)CTAのリターンを,ベイズ図形モデルを用いて短期的傾向,長期的傾向,市場ベータ要因に動的に分解し,(ii)水平線が戦略のリスク調整性能をどのように形成するかを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Commodity Trading Advisors (CTAs) have historically relied on trend-following rules that operate on vastly different horizons from long-term breakouts that capture major directional moves to short-term momentum signals that thrive in fast-moving markets. Despite a large body of work on trend following, the relative merits and interactions of short-versus long-term trend systems remain controversial. This paper adds to the debate by (i) dynamically decomposing CTA returns into short-term trend, long-term trend and market beta factors using a Bayesian graphical model, and (ii) showing how the blend of horizons shapes the strategy's risk-adjusted performance.
Abstract（参考訳）: コモディティ・トレーディング・アドバイザ(CTA)は歴史的に、長期的ブレークアウトから短期的なモーメント・シグナルへの方向転換を捉えた長期的ブレークアウトとは大きく異なる地平線で活動するトレンドフォロー・ルールに依存してきた。続くトレンドに関する多くの研究にもかかわらず、短期的な長期的なトレンドシステムの相対的なメリットと相互作用はいまだに議論を呼んでいる。この論文は議論を加味する (i)CTAの動的分解はベイズ図形モデルを用いて短期的傾向、長期的傾向、市場ベータファクターに還元され、 (二)地平線が戦略のリスク調整性能をいかに形作るかを示す。

関連論文リスト

Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
論文参考訳（メタデータ） (2025-05-19T06:37:25Z)
TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。 TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
論文参考訳（メタデータ） (2024-10-06T10:41:03Z)
Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-11-23T04:33:47Z)
Few-Shot Learning Patterns in Financial Time-Series for Trend-Following Strategies [19.781410315594144]
本稿では,新しい市場環境に迅速に適応できる時系列トレンド追従予測器を提案する。 X-Trendは、金融時系列体制のコンテキストセットに参画する役割を担っている。新型コロナウイルス(COVID-19)の減少から回復する戦略は、ニューラルネットワークによる時系列トレンド予測の2倍の速さで回復する。
論文参考訳（メタデータ） (2023-10-16T15:20:12Z)
The Capacity and Robustness Trade-off: Revisiting the Channel Independent Strategy for Multivariate Time Series Forecasting [50.48888534815361]
本稿では、Channel Dependent(CD)戦略でトレーニングされたモデルが、Channel Dependent(CD)戦略でトレーニングされたモデルよりも優れていることを示す。以上の結果から,CD手法は高いキャパシティを持つが,分散ドリフト時系列を正確に予測する堅牢性に欠けることがわかった。本稿では,CI戦略を超越した正規化(PRReg)による予測残差法(Predict Residuals with Regularization, PRReg)を提案する。
論文参考訳（メタデータ） (2023-04-11T13:15:33Z)
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)
Slow Momentum with Fast Reversion: A Trading Strategy Using Deep Learning and Changepoint Detection [2.9005223064604078]
我々は、Deep Momentum Network (DMN) パイプラインにオンライン変更点検出(CPD)モジュールを導入する。我々のCPDモジュールは、変化点の位置と重大度スコアを出力し、モデルが不均衡の度合いに反応することを学べる。 1990-2020年の間、50, Liquid, Continuous Futures のポートフォリオを使用して CPD モジュールを追加することで、Sharpe 比が 33%$ になる。
論文参考訳（メタデータ） (2021-05-28T10:46:53Z)
Leveraging Multiple Relations for Fashion Trend Forecasting Based on Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。 KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文参考訳（メタデータ） (2021-05-07T14:52:03Z)
REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文参考訳（メタデータ） (2021-02-15T07:22:09Z)
Deep Reinforcement Learning for Long-Short Portfolio Optimization [7.131902599861306]
本稿では,実際の取引ルールに適合する短売制のポートフォリオ管理フレームワークであるDeep Reinforcement Learning (DRL)を構築した。鍵となるイノベーションは、長期にわたるトランザクションの動的進化を考慮に入れた、継続的取引における包括的な短期販売メカニズムの開発である。従来のアプローチと比較して、このモデルはリスク調整されたリターンを向上し、最大損失を低減します。
論文参考訳（メタデータ） (2020-12-26T16:25:20Z)
Parallel Extraction of Long-term Trends and Short-term Fluctuation Framework for Multivariate Time Series Forecasting [14.399919351944677]
時系列には、長期傾向と短期変動という2つの特徴がある。既存の予測手法は両者を区別しないことが多いため、予測モデルの精度は低下する。 3つの予測サブネットワークを構築し、予測すべき長期的な傾向、短期的な変動、最終的な値を予測する。
論文参考訳（メタデータ） (2020-08-18T03:55:29Z)

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。