Graphen-Clustering für Multi-Pair-Statistik-Arbitrage mit US-Aktien

Zusammenfassung

Diese Studie schlägt einen Rahmen für statistische Arbitrage mit mehreren US-Aktienpaaren vor, der Graphen-Clustering zur Identifikation von Beziehungen zwischen Aktien nutzt. Sie kombiniert quantitative Methoden mit Klassifikatoren des maschinellen Lernens und dem Kelly-Kriterium, um Signalerkennung, Risikomanagement und Widerstandsfähigkeit gegenüber Transaktionskosten zu verbessern. Der Ansatz testet außerdem, wie Take-Profit- und Stop-Loss-Regeln für den Handel auf Tagesbasis festgelegt werden können.

Die Autoren berichten, dass alle getesteten Ansätze ihre jeweiligen Benchmarks bei angenommenen realistischen Transaktionskosten übertrafen. Die leistungsstärksten Methoden- und Parameterkombinationen erzielten deutlich bessere Leistungskennzahlen. Zudem weisen sie darauf hin, dass Änderungen einiger wichtiger Parameter die Ergebnisse beeinflussen. Das Dokument spezifiziert weder die Aktien noch den Bewertungszeitraum, die genauen Benchmarks, Kostenannahmen oder den Umfang der Sensitivität. Dies schränkt die unabhängige Beurteilung und Schlussfolgerungen zur Leistung außerhalb des getesteten Rahmens ein.

Kernaussagen

• Graphen-Clustering ordnet Aktien für eine Strategie zur statistischen Arbitrage mit mehreren Paaren.
• Der Rahmen kombiniert Klassifikatoren des maschinellen Lernens, quantitative Methoden und das Kelly-Kriterium.
• Signalerkennung und Risikokontrollen umfassen die Optimierung täglicher Take-Profit- und Stop-Loss-Regeln.
• Die Autoren berichten von einer Überrendite gegenüber Benchmarks bei angenommenen realistischen Transaktionskosten.
• Die berichtete Leistung reagiert empfindlich auf einige Parameteränderungen, deren Einzelheiten nicht genannt werden.

Schlagwörter

# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market


# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market









The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.

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.