Bestärkendes Lernen für statistische Arbitrage mit Aktienpaaren

Zusammenfassung

Diese Studie stellt einen modellfreien Rahmen für bestärkendes Lernen bei statistischer Arbitrage zwischen Aktienpaaren vor. Zunächst wird ein mean-revertierender Spread konstruiert, indem die Asset-Koeffizienten so gewählt werden, dass ein empirisches Maß für die Dauer bis zur Rückkehr des Spreads minimiert wird. Damit wird ein beobachtetes Kriterium der Rückkehrzeit anstelle der Abhängigkeit von einer festen Modellannahme verwendet.

Für den Handel nutzt der Rahmen bestärkendes Lernen, um eine Mean-Reversion-Strategie auszuwählen. Der Zustand umfasst jüngste Kursbewegungstrends, statt sich nur auf den Abstand des Spreads zu einem langfristigen Durchschnitt zu stützen; die Belohnungsfunktion ist auf die Eigenschaften des Mean-Reversion-Handels zugeschnitten. Die vorliegende Beschreibung skizziert den Entwurf, enthält aber weder empirische Leistungsdaten noch Trainingsdetails oder einen Vergleich mit anderen Strategien. Sie erläutert somit einen Ansatz, lässt dessen praktische Wirksamkeit und Robustheit hier jedoch unbelegt.

Kernaussagen

• Der Rahmen bildet Spreads von Aktienpaaren, indem er ein empirisches Maß der Rückkehrzeit minimiert.
• Die Asset-Koeffizienten werden als Teil der Spread-Konstruktion optimiert.
• Bestärkendes Lernen dient dazu, die Handelsaktionen für den Spread auszuwählen.
• Die Zustandsdarstellung umfasst jüngste Kurstrends und den Mean-Reversion-Kontext.
• Die Beschreibung enthält weder Leistungsnachweise noch Umsetzungsdetails.

Schlagwörter

# Advanced Statistical Arbitrage with Reinforcement Learning


# Advanced Statistical Arbitrage with Reinforcement Learning









Statistical arbitrage is a prevalent trading strategy which takes advantage of mean reverse property of spread of paired stocks. Studies on this strategy often rely heavily on model assumption. In this study, we introduce an innovative model-free and reinforcement learning based framework for statistical arbitrage. For the construction of mean reversion spreads, we establish an empirical reversion time metric and optimize asset coefficients by minimizing this empirical mean reversion time. In the trading phase, we employ a reinforcement learning framework to identify the optimal mean reversion strategy. Diverging from traditional mean reversion strategies that primarily focus on price deviations from a long-term mean, our methodology creatively constructs the state space to encapsulate the recent trends in price movements. Additionally, the reward function is carefully tailored to reflect the unique characteristics of mean reversion trading.

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.