Online-Lernen für statistische Arbitrage ohne Stationaritätsannahmen

Zusammenfassung

Dieses Dokument stellt einen Online-Lernansatz für statistische Arbitrage vor. Es grenzt den Ansatz von bekannten Strategien auf Basis von Mittelwertreversionsmodellen ab, deren Verfahren auf Annahmen beruhen, die bei allgemeinen nichtstationären stochastischen Prozessen möglicherweise nicht gelten. Die vorgeschlagene Alternative soll ohne diese Annahmen auskommen.

Dem Dokument zufolge bietet die Methode starke Lerngarantien, die eine theoretische Grundlage für die Anpassung an fortlaufend eintreffende Daten bilden. Die Beschreibung nennt jedoch weder den Algorithmus noch die genauen Garantien oder Handelsregeln und erläutert auch nicht, wie Portfolio- und Transaktionskosten behandelt werden. Empirische Ergebnisse und Vergleiche fehlen ebenfalls. Der Beitrag wird daher als allgemeine methodische Alternative präsentiert; anhand der verfügbaren Informationen lassen sich ihre praktische Rentabilität und Robustheit im Live-Handel nicht beurteilen.

Kernaussagen

• Herkömmliche statistische Arbitrage beruht häufig auf Mittelwertreversionsmodellen und deren Annahmen.
• Diese Annahmen gelten möglicherweise nicht für allgemeine nichtstationäre stochastische Prozesse.
• Die vorgeschlagene Alternative nutzt Online-Lernen und setzt diese Annahmen nicht voraus.
• Das Dokument beansprucht starke Lerngarantien, liefert dazu aber weder Einzelheiten noch eine empirische Bewertung.

Schlagwörter

# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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.