End-to-End-Lernen von Autoencoder-Strategien für statistische Arbitrage

Zusammenfassung

Diese Studie untersucht Autoencoder für statistische Arbitrage mit Aktien aus US. In einem herkömmlichen zweistufigen Arbeitsablauf identifiziert ein Bewertungs- oder Hauptkomponentenmodell einen synthetischen Vermögenswert, und eine separate Mean-Reversion-Strategie erzeugt Handelssignale. Die Autoren trainieren zunächst einen Standard-Autoencoder mit Aktienrenditen und entwickeln Strategien auf Basis eines Ornstein-Uhlenbeck-Prozesses. Anschließend betten sie den Autoencoder in eine neuronale Darstellung von Portfoliostrategien ein, die direkt Allokationen erzeugt.

Das kombinierte Modell wird durch Rückpropagierung risikobereinigter Renditen End-to-End trainiert und verknüpft so Repräsentationslernen mit Portfolioentscheidungen. Den berichteten Ergebnissen zufolge vereinfacht dieser Ansatz die Strategieentwicklung und erzielt höhere Bruttorenditen als die verglichenen Alternativen. Das Abstract nennt weder den Evaluationszeitraum noch risikobereinigte oder kostenbereinigte Ergebnisse, Einzelheiten zu den Vergleichen oder Belege für eine Leistung außerhalb des Studiensettings. Der berichtete Vorteil ist daher ein Forschungsergebnis und keine Garantie für Profitabilität im Live-Handel.

Kernaussagen

• Die Arbeit wendet Autoencoder, die mit US-Aktienrenditen trainiert wurden, auf statistische Arbitrage an.
• Ein Basisansatz nutzt einen Autoencoder, um einen synthetischen Vermögenswert zu identifizieren, sowie eine Ornstein-Uhlenbeck-Mittelwertrückkehrstrategie.
• Die End-to-End-Architektur bettet den Autoencoder in ein Netzwerk ein, das unmittelbar Portfolio-Allokationen ausgibt.
• Das Training nutzt die Rückpropagierung risikobereinigter Portfoliorenditen.
• Die Autoren berichten höhere Bruttorenditen als bei den Vergleichsmodellen; das Abstract belegt jedoch weder Nettoergebnisse noch Leistungen im Live-Handel.

Schlagwörter

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.