Graphenlernen und synthetische Positionen für Optionsarbitrage

Artikel arXiv papers · Autor: Yoonsik Hong et al.

Zusammenfassung

Diese Arbeit schlägt eine zweistufige Methode vor, um statistische Arbitragemöglichkeiten bei Optionen zu identifizieren und zu handeln. Zunächst definiert sie ein Prognoseziel, das reine Arbitrage mithilfe synthetischer Anleihen isolieren soll. Anschließend verwendet sie RNConv, eine Graphenlernarchitektur mit Baumstruktur, um dieses Ziel vorherzusagen. Zu den Beweggründen zählen der tabellarische Charakter vieler Merkmale und die berichtete Stärke baumbasierter Methoden bei solchen Daten.

In der zweiten Stufe werden die Prognosen in synthetische Long-Positionen namens SLSA überführt. Unter der arbitragefreien Annahme der Arbeit werden diese Positionen als Positionen mit minimalem Risiko und gegenüber Black-Scholes-Risikofaktoren neutral beschrieben. Experimente mit Indexoptionen auf KOSPI 200 berichten, dass RNConv Graphenlern-Baselines übertrifft und SLSA positive Renditen erzielt; die angegebene durchschnittliche Information Ratio auf Basis von P&L-Kontrakten beträgt 0.1627. Diese Ergebnisse gelten für den berichteten Datensatz und die getroffenen Annahmen; die Zusammenfassung belegt keine Leistung auf anderen Optionsmärkten oder bei abweichenden Handelskosten und Bedingungen.

Kernaussagen

Die Methode prognostiziert ein auf Arbitrage ausgerichtetes Ziel, das mithilfe synthetischer Anleihen definiert wird.
RNConv verbindet Graphenlernen mit einer Baumstruktur, um die Prognoseaufgabe zu bearbeiten.
Die SLSA-Projektion wandelt Modellprognosen in synthetische Long-Optionspositionen um.
Unter der arbitragefreien Annahme wird SLSA als Position mit minimalem Risiko und gegenüber Black-Scholes-Risikofaktoren neutral beschrieben.
Tests mit KOSPI 200-Optionen berichten eine Überlegenheit gegenüber Baselines und positive SLSA-Renditen; eine breitere Übertragbarkeit wird jedoch nicht gezeigt.

Schlagwörter

Optionen Arbitrage Maschinelles Lernen Bewertung von Derivaten

Volltext

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions

Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.