المربعات الصغرى المرنة للمراجحة الإحصائية الديناميكية

الملخص

تبحث هذه الورقة كيفية نمذجة العلاقات المتغيرة بين تدفقات بيانات متعددة تتطور بمرور الوقت. وتركز على المربعات الصغرى المرنة (FLS)، التي تعدل المربعات الصغرى العادية بإضافة عقوبة تسمح لمعاملات الانحدار بالتغير، من دون فرض نموذج احتمالي مقيد لتلك التبعيات. والمراجحة الإحصائية هي التطبيق المالي المحفز.

يوضح المؤلفون تكافؤًا جبريًا بين FLS ومعادلات مرشح كالمان، ويستخدمون الصلة لتوضيح الطريقة واقتراح خوارزمية أكثر كفاءة. ويذكرون تجارب واعدة لنظام تداول خوارزمي مطبق على مؤشر العقود الآجلة لستاندرد آند بورز 500. ولا يحدد الوصف المقدم قواعد التداول أو فترة التقييم أو التكاليف أو المؤشر المرجعي أو الأداء العددي، لذا يقدم أدلة محدودة على الربحية العملية. وتتمثل مساهمته الأساسية، كما ورد، في نهج التقدير الديناميكي وصلته الحسابية بطرائق الترشيح.

الأفكار الرئيسية

• تقدر FLS العلاقات بين تدفقات البيانات المتطورة مع السماح لمعاملات الانحدار بالتغير بمرور الوقت.
• تتجنب صياغة المربعات الصغرى المعاقبة فرض قانون احتمالي مقيد على التبعيات المتغيرة.
• تثبت الورقة تكافؤًا جبريًا بين FLS ومعادلات مرشح كالمان.
• يُستخدم هذا التكافؤ لشرح الطريقة ودعم اقتراح خوارزمية أكثر كفاءة.
• توصف التجارب على نظام تداول مؤشر عقود 500 الآجلة بأنها واعدة، لكن أدلة الأداء المفصلة غير متاحة.

الوسوم

# Flexible least squares for temporal data mining and statistical arbitrage


# Flexible least squares for temporal data mining and statistical arbitrage









A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.