ترجمه فارسی مقاله ساخت سبد سرمایه‌گذاری پوشش ریسک با استفاده از نظریه PolyModel و iTransformer

چکیده

When constructing portfolios, a key problem is that a lot of financial time series data are sparse, making it challenging to apply machine learning methods. Polymodel theory can solve this issue and demonstrate superiority in portfolio construction from various aspects. To implement the PolyModel theory for constructing a hedge fund portfolio, we begin by identifying an asset pool, utilizing over 10,000 hedge funds for the past 29 years’ data. PolyModel theory also involves choosing a wide-ranging set of risk factors, which includes various financial indices, currencies, and commodity prices. This comprehensive selection mirrors the complexities of the real-world environment. Leveraging on the PolyModel theory, we create quantitative measures such as Long-term Alpha, Long-term Ratio, and SVaR. We also use more classical measures like the Sharpe ratio or Morningstar’s MRAR. To enhance the performance of the constructed portfolio, we also employ the latest deep learning techniques (iTransformer) to capture the upward trend, while efficiently controlling the downside, using all the features. The iTransformer model is specifically designed to address the challenges in high-dimensional time series forecasting and could largely improve our strategies. More precisely, our strategies achieve better Sharpe ratio and annualized return. The above process enables us to create multiple portfolio strategies aiming for high returns and low risks when compared to various benchmarks.

چکیده به فارسی (ترجمه ماشینی)

هنگام ساخت اوراق بهادار ، یک مشکل اساسی این است که بسیاری از داده های سری زمانی مالی پراکنده هستند و استفاده از روشهای یادگیری ماشین را به چالش می کشد.نظریه Polymodel می تواند این مسئله را حل کند و برتری در ساخت نمونه کارها را از جنبه های مختلف نشان دهد.برای اجرای نظریه Polymodel برای ساخت یک نمونه کارها صندوق پرچین ، ما با شناسایی یک استخر دارایی ، با استفاده از بیش از 10،000 صندوق پرچین برای داده های 29 سال گذشته شروع می کنیم.نظریه Polymodel همچنین شامل انتخاب مجموعه گسترده ای از عوامل خطر است که شامل شاخص های مختلف مالی ، ارز و قیمت کالاها است.این انتخاب جامع پیچیدگی های محیط دنیای واقعی را منعکس می کند.با استفاده از تئوری پلی مدل ، ما اقدامات کمی مانند آلفا بلند مدت ، نسبت طولانی مدت و SVAR ایجاد می کنیم.ما همچنین از اقدامات کلاسیک تری مانند نسبت شارپ یا MRAR Morningstar استفاده می کنیم.برای تقویت عملکرد نمونه کارها ساخته شده ، ما همچنین از جدیدترین تکنیک های یادگیری عمیق (ITRansformer) برای گرفتن روند رو به بالا استفاده می کنیم ، در حالی که با استفاده از تمام ویژگی ها ، کنترل نزولی را کنترل می کند.مدل ITRansformer به طور خاص برای رفع چالش های پیش بینی سری زمانی با ابعاد بالا طراحی شده است و می تواند تا حد زیادی استراتژی های ما را بهبود بخشد.به طور دقیق تر ، استراتژی های ما به نسبت شارپ بهتر و بازده سالانه دست می یابند.فرایند فوق ما را قادر می سازد چندین استراتژی نمونه کارها را با هدف بازده بالا و ریسک های پایین در مقایسه با معیارهای مختلف ایجاد کنیم.