Aprendizaje de grafos y posiciones sintéticas para arbitraje estadístico en opciones

Artículo arXiv papers · Autor: Yoonsik Hong et al.

Resumen

Este artículo propone un método en dos etapas para identificar y operar oportunidades de arbitraje estadístico en opciones. Primero define un objetivo de predicción diseñado para aislar el arbitraje puro mediante bonos sintéticos y después utiliza RNConv, una arquitectura de aprendizaje de grafos que incorpora una estructura de árbol, para predecir ese objetivo. Entre las motivaciones figuran la naturaleza tabular de muchas características y la eficacia comunicada de los métodos basados en árboles con este tipo de datos.

En la segunda etapa, las predicciones se proyectan en posiciones largas sintéticas denominadas SLSA. Bajo el supuesto del artículo de ausencia de arbitraje, estas posiciones se describen como de riesgo mínimo y neutrales a los factores de riesgo de Black–Scholes. Los experimentos con opciones sobre el índice KOSPI 200 indican que RNConv supera las referencias de aprendizaje de grafos y que SLSA genera rendimientos positivos, con un ratio de información medio de P&L por contrato declarado de 0.1627. Estos resultados corresponden al conjunto de datos y los supuestos indicados; el resumen no establece el rendimiento en otros mercados de opciones ni con distintos costes y condiciones de trading.

Ideas clave

El método predice un objetivo centrado en el arbitraje, definido mediante bonos sintéticos.
RNConv combina aprendizaje de grafos con una estructura de árbol para abordar la tarea de predicción.
La proyección SLSA convierte las predicciones del modelo en posiciones sintéticas largas en opciones.
Bajo el supuesto de ausencia de arbitraje, se describe SLSA como de riesgo mínimo y neutral a los factores de riesgo de Black–Scholes.
Las pruebas con opciones sobre KOSPI 200 indican que se superan las referencias y se obtienen rendimientos SLSA positivos, pero no muestran una generalización más amplia.

Etiquetas

Opciones Arbitraje Aprendizaje automático Valoración de derivados

Texto completo

# Statistical Arbitrage in Options Markets by Graph Learning and Synthetic Long Positions

Statistical arbitrages (StatArbs) driven by machine learning has garnered considerable attention in both academia and industry. Nevertheless, deep-learning (DL) approaches to directly exploit StatArbs in options markets remain largely unexplored. Moreover, prior graph learning (GL) -- a methodological basis of this paper -- studies overlooked that features are tabular in many cases and that tree-based methods outperform DL on numerous tabular datasets. To bridge these gaps, we propose a two-stage GL approach for direct identification and exploitation of StatArbs in options markets. In the first stage, we define a novel prediction target isolating pure arbitrages via synthetic bonds. To predict the target, we develop RNConv, a GL architecture incorporating a tree structure. In the second stage, we propose SLSA -- a class of positions comprising pure arbitrage opportunities. It is provably of minimal risk and neutral to all Black-Scholes risk factors under the arbitrage-free assumption. We also present the SLSA projection converting predictions into SLSA positions. Our experiments on KOSPI 200 index options show that RNConv statistically significantly outperforms GL baselines, and that SLSA consistently yields positive returns, achieving an average P&L-contract information ratio of 0.1627. Our approach offers a novel perspective on the prediction target and strategy for exploiting StatArbs in options markets through the lens of DL, in conjunction with a pioneering tree-based GL.

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.