Graph Learning für FX-Prognosen und ausführungsbewusste statistische Arbitrage

Zusammenfassung

Der vorgeschlagene Ansatz verbindet die Prognose von Wechselkursen mit statistischer Arbitrage und berücksichtigt dabei die Verzögerung zwischen der Beobachtung von Preisen und der Ausführung von Geschäften. Im ersten Schritt werden Wechselkursprognosen als Regression auf Kanten eines zeitdiskreten raumzeitlichen Graphen modelliert: Währungen sind Knoten, Wechselkurse sind Kantenmerkmale und Zinssätze tragen Knotenmerkmale bei. Diese Struktur soll die Beziehungen zwischen Währungen und Zinssätzen abbilden.

Im zweiten Schritt wird Arbitrage als stochastisches Optimierungsproblem formuliert. Ein Graph aus Börsen und ihren Einflussbeziehungen unterstützt risikobereinigte Portfolioentscheidungen; Projektion und ReLU setzen Beschränkungen anhand der Ausgaben des Prognosemodells durch. Die Autoren berichten statistisch signifikante Verbesserungen des mittleren quadratischen Fehlers bei der Prognose sowie höhere Information- und Sortino-Ratios als eine Benchmark bei der Arbitrage. Zudem geben sie einen Nachweis empirischer Arbitragebeschränkungen an. Die vorliegende Beschreibung nennt weder die Daten noch die Konstruktion der Benchmark oder den Evaluierungszeitraum. Daher lässt sich die Übertragbarkeit der berichteten Gewinne auf breitere Märkte anhand dieses Textes allein nicht beurteilen.

Kernaussagen

• FX-Prognosen werden als Regression auf Kanten eines raumzeitlichen Graphen aus Währungen und Börsen modelliert.
• Zins- und Wechselkurse gehen als Knoten- beziehungsweise Kantenmerkmale in den Graphen ein.
• Der Arbitrageschritt berücksichtigt ausdrücklich die Zeitverzögerung zwischen der Preisbeobachtung und der Handelsausführung.
• Projektion und ReLU dienen dazu, in einem stochastischen Optimierungsrahmen Beschränkungen durchzusetzen.
• Die Autoren berichten verbesserte Prognosefehler und höhere risikobereinigte Kennzahlen als bei einer Benchmark.

Schlagwörter

# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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.