Agrupamiento en grafos para arbitraje estadístico de múltiples pares en acciones estadounidenses

Resumen

Este estudio propone un marco de arbitraje estadístico de múltiples pares para acciones estadounidenses que utiliza agrupamiento en grafos para identificar relaciones entre acciones. Combina métodos cuantitativos con clasificadores de aprendizaje automático y el criterio de Kelly, con el objetivo de mejorar la detección de señales, la gestión del riesgo y la resistencia a los costes de transacción. El enfoque también prueba formas de establecer reglas de recogida de beneficios y stop-loss para trading diario.

Los autores afirman que todos los enfoques probados superaron sus respectivos índices de referencia con supuestos de costes de transacción realistas, y que las combinaciones más sólidas de técnicas y parámetros produjeron métricas de rendimiento significativamente mejores. También señalan sensibilidad a cambios en algunos parámetros clave. El documento no especifica las acciones, el periodo de evaluación, los índices de referencia exactos, los supuestos de costes ni el rango de sensibilidad, lo que limita la evaluación independiente y las conclusiones sobre el rendimiento fuera del contexto probado.

Ideas clave

• El agrupamiento en grafos organiza las acciones para una estrategia de arbitraje estadístico de múltiples pares.
• El marco combina clasificadores de aprendizaje automático, métodos cuantitativos y el criterio de Kelly.
• La detección de señales y los controles de riesgo incluyen optimizar reglas diarias de recogida de beneficios y stop-loss.
• Los autores informan de un rendimiento superior al de los índices de referencia con supuestos de costes de transacción realistas.
• El rendimiento informado es sensible a algunos cambios de parámetros, cuyos detalles no se proporcionan.

Etiquetas

# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market


# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market









The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.

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.