論文の概要: Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets
- arxiv url: http://arxiv.org/abs/2606.25811v1
- Date: Wed, 24 Jun 2026 13:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-25 17:05:30.349123
- Title: Hierarchical Graph Learning for Calendar Spread Strategies in Commodity Futures Markets
- Title（参考訳）: 商品先物市場におけるカレンダー普及戦略の階層的グラフ学習
- Abstract要約: 先物市場におけるカレンダースプレッド戦略の階層的なグラフ学習手法を提案する。
商品先物間での成熟度に依存したインは予測に有効であり,本手法は効果的な統計的仲裁であることがわかった。
- 参考スコア（独自算出の注目度）: 20.035089264995037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Commodity futures can be represented hierarchically, with underlying assets at the upper level and individual futures contracts at the lower level. Entities at each level can be connected by edges reflecting inherent correlations, with cross-level edges capturing contract-to-underlying asset connections. Building on our observations of these structures, we propose a hierarchical graph learning approach for calendar spread (CS) strategies in commodity futures markets, addressing two significant gaps in the machine-learning literature: (i) the absence of learning-based methods for CS strategies in futures markets, and (ii) the lack of consideration of maturity-dependent interrelationships across commodity futures. We first establish the efficacy of CS strategies by analytically showing that CS strategies can possess higher risk-adjusted returns, measured by the information ratio, and lower risk, measured by variance and delta, than long-only strategies. We then introduce a method to convert learning-based predictions into CS positions. Next, we develop a hierarchical graph learning method that predicts futures price movements by utilizing the maturity-dependent interrelationships, thereby yielding a CS trading algorithm. Empirical results on commodity futures markets traded on the Chicago Mercantile Exchange Group demonstrate that our method outperforms benchmark models in both prediction and trading performance. We find that maturity-dependent interrelationships across commodity futures are instrumental in prediction and that CS trading based on hierarchical graph learning is effective for statistical arbitrage.
- Abstract（参考訳）: 商品先物は階層的に表すことができ、基礎となる資産は上層にあり、個々の先物先物は下層にある。
各レベルのエンティティは、固有の相関関係を反映したエッジで接続することができ、クロスレベルエッジは、契約から地下へのアセット接続をキャプチャする。
これらの構造を観察し,商品先物市場におけるカレンダースプレッド戦略(CS)の階層的グラフ学習手法を提案する。
一 将来の市場におけるCS戦略の学習的手法の欠如
(二)商品先物における成熟度に依存した相互関係の欠如。
まず,CS戦略が長期戦略よりもリスク調整リターンが高く,情報比で測定され,分散とデルタで測定されるリスクが低いことを解析的に示すことにより,CS戦略の有効性を確立した。
次に,学習に基づく予測をCS位置に変換する手法を提案する。
次に、成熟度に依存した相互関係を利用して将来の価格変動を予測する階層グラフ学習法を開発し、CSトレーディングアルゴリズムを生成する。
シカゴ・マーカンタイル・エクスチェンジ・グループで取引された商品先物市場に関する実証的な結果は、我々の手法が予測と取引性能の両方でベンチマークモデルを上回っていることを示している。
商品先物間の成熟度に依存した相互関係は予測に有効であり,階層的なグラフ学習に基づくCS取引は統計的仲裁に有効であることがわかった。
関連論文リスト
- Cross-Sectional Asset Retrieval via Future-Aligned Soft Contrastive Learning [87.54084417547621]
我々は、効果的な資産検索は将来整合するべきだと論じる。
米国株4,229株の実験では、Future-Aligned Soft Contrastive Learningは、将来のすべての指標で13のベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2026-02-11T10:17:52Z) - Semantic Trading: Agentic AI for Clustering and Relationship Discovery in Prediction Markets [6.329256068898982]
自然言語理解を用いて,市場を協調したトピックグループに自律的にクラスタリングするエージェントAIパイプラインを提案する。
我々は、同一利益(相関性)と異利益(反相関性)の関係を含む、解決結果が強い依存を示すクラスタ内市場ペアを特定する。
その結果,エージェント識別された関係はおよそ60～70%の精度を達成し,その貿易戦略が1週間の地平線上で平均で約20%のリターンを得られることがわかった。
論文 参考訳（メタデータ） (2025-12-02T05:45:48Z) - Trading Under Uncertainty: A Distribution-Based Strategy for Futures Markets Using FutureQuant Transformer [0.13107174618549586]
FutureQuant Transformerモデルを導入し、これらの課題をナビゲートするアテンションメカニズムを活用する。
ポイント予測に焦点を当てた従来のモデルとは異なり、FutureQuantモデルは将来の価格の範囲とボラティリティを予測するのに優れている。
複雑な市場パターンを解析し、学習する能力は、意思決定の強化を可能にします。
論文 参考訳（メタデータ） (2025-05-08T18:52:04Z) - 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) - Data Cross-Segmentation for Improved Generalization in Reinforcement
Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。
われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文 参考訳（メタデータ） (2023-07-18T16:00:02Z) - Detecting data-driven robust statistical arbitrage strategies with deep
neural networks [5.812554622073437]
我々は、金融市場における堅牢な統計的仲裁戦略の特定を可能にする、ディープニューラルネットワークに基づくアプローチを提案する。
提示された新しい手法は、大量の基礎証券を同時に検討することができる。
本研究では、観測された市場データから導出可能な許容確率尺度のあいまい性セットを構築する方法を提案する。
論文 参考訳（メタデータ） (2022-03-07T07:23:18Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳（メタデータ） (2021-12-17T12:47:18Z) - 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) - 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) - Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文 参考訳（メタデータ） (2020-10-19T06:28:05Z) - 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)
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。