Mínimos cuadrados flexibles para arbitraje estadístico dinámico

Resumen

Este artículo analiza cómo modelar relaciones cambiantes entre múltiples flujos de datos que evolucionan con el tiempo. Se centra en los mínimos cuadrados flexibles (FLS), que modifican los mínimos cuadrados ordinarios mediante una penalización que permite variar los coeficientes de regresión, sin exigir un modelo probabilístico restrictivo para esas dependencias. El arbitraje estadístico es la aplicación financiera que motiva el estudio.

Los autores muestran una equivalencia algebraica entre FLS y las ecuaciones del filtro de Kalman. Usan esa conexión para aclarar el método y proponer un algoritmo más eficiente. Presentan como prometedores los experimentos de un sistema de trading algorítmico aplicado al índice de futuros del S&P 500. La descripción facilitada no especifica las reglas de trading, el periodo de evaluación, los costes, el índice de referencia ni el rendimiento numérico, por lo que aporta pruebas limitadas de rentabilidad práctica. Según la descripción, su principal contribución es el enfoque de estimación dinámica y su conexión computacional con los métodos de filtrado.

Ideas clave

• FLS estima las relaciones entre flujos de datos cambiantes y permite que los coeficientes de regresión varíen con el tiempo.
• Su formulación de mínimos cuadrados penalizados evita imponer una ley probabilística restrictiva a las dependencias cambiantes.
• El artículo establece una equivalencia algebraica entre FLS y las ecuaciones del filtro de Kalman.
• Se utiliza esa equivalencia para explicar el método y motivar un algoritmo más eficiente.
• Los experimentos con un sistema de trading sobre futuros del índice S&P 500 se describen como prometedores, pero no se aportan pruebas detalladas del rendimiento.

Etiquetas

# Flexible least squares for temporal data mining and statistical arbitrage


# Flexible least squares for temporal data mining and statistical arbitrage









A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.

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.