Aprendizaje de políticas con autoencoders de extremo a extremo para arbitraje estadístico

Resumen

Este estudio explora los autoencoders para el arbitraje estadístico en acciones de US. En un flujo de trabajo convencional de dos etapas, un modelo de valoración o de componentes principales identifica un activo sintético y una estrategia de reversión a la media independiente genera señales de trading. Primero, los autores entrenan un autoencoder estándar con rendimientos de acciones y construyen estrategias en torno a un proceso de Ornstein-Uhlenbeck. Después integran el autoencoder en una representación neuronal de políticas de cartera que genera asignaciones directamente.

El modelo combinado se entrena de extremo a extremo mediante retropropagación de rendimientos ajustados al riesgo, conectando el aprendizaje de representaciones con las decisiones de cartera. Según los resultados, este enfoque simplifica el desarrollo de estrategias y obtiene rendimientos brutos superiores a los de las alternativas comparadas. El resumen no proporciona el periodo de evaluación, resultados ajustados al riesgo o netos de costes, detalles de la comparación ni pruebas de rendimiento fuera del contexto del estudio. Por tanto, la ventaja comunicada es un resultado de investigación, no una garantía de rentabilidad en trading real.

Ideas clave

• El artículo aplica autoencoders entrenados con rendimientos de acciones de US al arbitraje estadístico.
• Un enfoque de referencia usa un autoencoder para identificar un activo sintético y una estrategia de reversión a la media de Ornstein-Uhlenbeck.
• La arquitectura de extremo a extremo integra el autoencoder en una red que genera directamente asignaciones de cartera.
• El entrenamiento utiliza retropropagación de los rendimientos de cartera ajustados al riesgo.
• Los autores informan de rendimientos brutos superiores a los de las alternativas, pero el resumen no demuestra resultados netos ni en trading real.

Etiquetas

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.