Online-Schätzung mittelwertrevertierender Spreads für statistische Arbitrage

Zusammenfassung

Diese Arbeit entwickelt einen Zustandsraumansatz zur Modellierung mittelwertrevertierender Spreads für statistische Arbitrage, einschließlich Pair Trading. Beobachtete Spreads werden als verrauschte Messungen verborgener Zustände behandelt; Echtzeitschätzungen dieser Zustände dienen dazu, vorübergehende Marktineffizienzen zu erkennen. Der Ansatz erweitert frühere lineare gaußsche Zustandsraummodelle, indem er zeitlich veränderliche Parameter zulässt. So können sich die Schätzungen an Veränderungen des datenerzeugenden Prozesses anpassen.

Die Autoren stellen außerdem einen Online-Schätzalgorithmus vor, der kontinuierlich laufen und auch Hochfrequenzdaten verarbeiten soll. Er liefert Unsicherheitsmaße für die geschätzten Parameter. Besprochen werden Experimente mit Monte-Carlo-Simulationen und historischen Aktiendaten, darunter eine Kointegrationsbeziehung zwischen zwei börsengehandelten Fonds. Das Dokument nennt weder Performancezahlen noch eine Analyse der Handelskosten und belegt daher nicht, dass sich erkannte Ineffizienzen in realisierbare Überrenditen umsetzen lassen. Die Evidenz wird nur grob beschrieben; die Robustheit lässt sich anhand der vorliegenden Angaben nicht beurteilen.

Kernaussagen

• Der Ansatz modelliert beobachtete Spreads als verrauschte Realisierungen verborgener Zustände in einem linearen gaußschen Zustandsraumprozess.
• Zeitlich veränderliche Modellparameter ermöglichen eine Anpassung an wechselnde Daten.
• Ein Online-Algorithmus schätzt den latenten Spread und die Parameter in Echtzeit.
• Maße der Parameterunsicherheit können die Überwachung der Mittelwertreversion unterstützen.
• Beschrieben werden Monte-Carlo- und historische Aktienbeispiele, darunter eine Kointegrationsbeziehung zwischen zwei ETFs.

Schlagwörter

# Dynamic modeling of mean-reverting spreads for statistical arbitrage


# Dynamic modeling of mean-reverting spreads for statistical arbitrage









Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.

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.