Optimales Trading mit Lernen in latenten Alpha-Modellen

Zusammenfassung

Diese Arbeit untersucht optimales Trading, wenn ein statistisches Arbitragesignal aus verborgenen Faktoren stammt, die Kurse springen und diffundieren lassen. Auch die Aufträge des Händlers können notierte und tatsächlich erzielte Kurse beeinflussen. Das Problem umfasst daher sowohl unsichere Marktzustände als auch den eigenen Preiseinfluss des Händlers. Die vorgeschlagene Methode verfolgt die Posteriorverteilung latenter Zustände und nutzt sie, um das Handelsproblem explizit zu lösen. Ein Verifikationssatz stützt die Lösung; eine Variante des Erwartungs-Maximierungs-Verfahrens ermöglicht die Kalibrierung des Modells.

Simulationen vergleichen die lernbewusste Strategie mit Strategien, die das Lernen latenter Zustände ignorieren. Die Arbeit berichtet außerdem Kalibrierungsergebnisse anhand der Intel-Aktie. Diese Beispiele veranschaulichen den Ansatz, doch die bereitgestellte Beschreibung enthält weder numerische Performance-Ergebnisse noch Einzelheiten zu den Modellannahmen. Die Ergebnisse liefern somit einen Modellierungs- und Lösungsrahmen, zeigen aber nicht, wie der Ansatz über verschiedene Märkte hinweg oder unter Live-Handelsbedingungen abschneidet.

Kernaussagen

• Latente Faktoren können sowohl Kurssprünge als auch Kursdiffusion bei Preisen verursachen, die für statistische Arbitrage genutzt werden.
• Aufträge eines Händlers können notierte Kurse und die bei der Ausführung erzielten Preise beeinflussen.
• Die Strategie lernt eine Posteriorverteilung verborgener Zustände und nutzt sie zur Auswahl von Geschäften.
• Ein Verifikationssatz und eine Variante des Erwartungs-Maximierungs-Verfahrens stützen Lösung und Kalibrierung.
• Simulationen vergleichen den Ansatz mit Strategien, die das Lernen latenter Zustände auslassen.

Schlagwörter

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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.