Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
상품 선물 시장의 캘린더 스프레드 전략을 위해 계층적 그래프 학습을 활용하는 새로운 방법론을 제안합니다. 기초 자산과 개별 선물 계약 간의 상관관계를 반영하여 만기 의존적 상호관계를 포착하고, 기존 벤치마크 모델보다 우수한 예측 및 트레이딩 성능을 입증했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기상품 선물 (Commodity futures)은 상위 레벨의 기초 자산 (underlying assets)과 하위 레벨의 개별 선물 계약 (individual futures contracts)으로 계층적으로 표현될 수 있습니다. 각 레벨의 엔티티 (entities)들은 내재된 상관관계 (correlations)를 반영하는 엣지 (edges)로 연결될 수 있으며, 레벨 간 엣지 (cross-level edges)는 계약과 기초 자산 간의 연결을 포착합니다. 이러한 구조에 대한 관찰을 바탕으로, 우리는 상품 선물 시장의 캘린더 스프레드 (CS) 전략을 위한 계층적 그래프 학습 (hierarchical graph learning) 접근 방식을 제안하며, 이는 머신러닝 (machine-learning) 문헌의 두 가지 중요한 공백을 해결합니다: (i) 선물 시장의 CS 전략을 위한 학습 기반 방법론의 부재, (ii) 상품 선물 간의 만기 의존적 상호관계 (maturity-dependent interrelationships)에 대한 고려 부족입니다. 우리는 먼저 CS 전략이 롱 온리 (long-only) 전략보다 정보 비율 (information ratio)로 측정된 위험 조정 수익률 (risk-adjusted returns)은 더 높고, 분산 (variance) 및 델타 (delta)로 측정된 위험은 더 낮을 수 있음을 분석적으로 보여줌으로써 CS 전략의 효용성을 입증합니다. 그런 다음, 학습 기반 예측을 CS 포지션으로 변환하는 방법을 소개합니다. 이어서, 만기 의존적 상호관계를 활용하여 선물 가격 움직임을 예측하는 계층적 그래프 학습 방법을 개발함으로써 CS 트레이딩 알고리즘을 도출합니다. 시카고 상품 거래소 그룹 (Chicago Mercantile Exchange Group)에서 거래되는 상품 선물 시장에 대한 실증적 결과는 우리의 방법이 예측 및 트레이딩 성능 모두에서 벤치마크 모델을 능가함을 보여줍니다. 우리는 상품 선물 간의 만기 의존적 상호관계가 예측에 중요한 역할을 하며, 계층적 그래프 학습에 기반한 CS 트레이딩이 통계적 차익 거래 (statistical arbitrage)에 효과적임을 확인했습니다.