Neuronale Kalman-Filter und Bollinger-Bänder für den Pair-Handel

Zusammenfassung

Das Dokument stellt KBPT vor, eine Pair-Trading-Strategie, die einen Kalman-Filter, Signale der Bollinger-Bänder und ein auf der KalmanNet-Architektur basierendes neuronales Netz kombiniert. Herkömmliche Varianten modellieren die Beziehung zwischen zwei Vermögenswerten als linearen Zustandsraumprozess mit gaußschem Rauschen. Da dieses Modell das Verhalten des Paars möglicherweise nur näherungsweise abbildet, können die resultierenden Indikatoren und Trades unzuverlässig sein. KBPT nutzt stattdessen ein erweitertes Zustandsraummodell, das partielle Kointegration zulässt und den Tracking-Prozess zu verbessern lernt.

Das Training erfolgt in zwei Stufen: Zunächst wird der Tracking-Algorithmus ohne Handelsziel abgestimmt. Anschließend wird er so angepasst, dass er Indikatoren verfolgt und dabei den Ertrag zu maximieren versucht, während er Entscheidungen anhand der Bollinger-Bänder durch eine differenzierbare Abbildung annähert. Die Autoren berichten über verschiedene Vermögenswerte hinweg höhere Erträge als bei modellbasierten und datengesteuerten Vergleichsmethoden. Die Beschreibung nennt weder die Vermögenswerte noch den Bewertungszeitraum, Annahmen zu Transaktionskosten oder quantitative Ergebnisse. Dadurch ist die Robustheit und Relevanz für den Live-Handel nur eingeschränkt zu beurteilen.

Kernaussagen

• Die Methode erweitert Pair-Trading mit Kalman-Filter und Bollinger-Bändern um ein neuronales Netz auf Basis von KalmanNet.
• Das erweiterte Zustandsraummodell bildet die Beziehung der Vermögenswerte als partiell kointegriert ab.
• Das Training stimmt zunächst das Tracking unabhängig ab und passt es anschließend an Indikatoren und Ertragsziele an.
• Eine differenzierbare Abbildung nähert Handelsentscheidungen auf Basis der Bollinger-Bänder an.
• Die Autoren berichten für mehrere Vermögenswerte höhere Erträge als bei modellbasierten und datengesteuerten Vergleichsmethoden.

Schlagwörter

# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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.