Aprendizaje con grafos para predecir FX y arbitraje estadístico con ejecución

Resumen

El enfoque propuesto combina la predicción de tipos de cambio con el arbitraje estadístico, teniendo en cuenta el retraso entre observar los precios y ejecutar las operaciones. En la primera etapa, modela la predicción de tipos de cambio como una regresión a nivel de arista sobre un grafo espaciotemporal de tiempo discreto: las divisas son nodos, los tipos de cambio son características de las aristas y los tipos de interés aportan características de los nodos. Esta estructura pretende representar las relaciones entre divisas y tipos de interés.

La segunda etapa formula el arbitraje como un problema de optimización estocástica. Un grafo de plataformas de cambio y sus relaciones de influencia respalda decisiones de cartera ajustadas al riesgo, mientras que la proyección y ReLU imponen restricciones utilizando las salidas del modelo predictivo. Los autores señalan mejoras estadísticamente significativas del error cuadrático medio en la predicción y ratios de información y Sortino superiores a los de una referencia para el arbitraje, además de una demostración de restricciones de arbitraje empíricas. La descripción proporcionada no especifica los datos, la construcción de la referencia ni el periodo de evaluación, por lo que este texto no permite valorar si las mejoras señaladas son aplicables a otros mercados.

Ideas clave

• La predicción de FX se modela como una regresión a nivel de arista en un grafo espaciotemporal de divisas y bolsas.
• Los tipos de interés y los tipos de cambio se incorporan al grafo como características de nodo y de arista, respectivamente.
• La etapa de arbitraje tiene en cuenta explícitamente el retraso entre observar los precios y ejecutar las operaciones.
• Se utilizan la proyección y ReLU para imponer restricciones en un marco de optimización estocástica.
• Los autores señalan mejoras en el error de predicción y métricas ajustadas al riesgo superiores a las de una referencia.

Etiquetas

# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage


# Graph Learning for Foreign Exchange Rate Prediction and Statistical Arbitrage









We propose a two-step graph learning approach for foreign exchange statistical arbitrages (FXSAs), addressing two key gaps in prior studies: the absence of graph-learning methods for foreign exchange rate prediction (FXRP) that leverage multi-currency and currency-interest rate relationships, and the disregard of the time lag between price observation and trade execution. In the first step, to capture complex multi-currency and currency-interest rate relationships, we formulate FXRP as an edge-level regression problem on a discrete-time spatiotemporal graph. This graph consists of currencies as nodes and exchanges as edges, with interest rates and foreign exchange rates serving as node and edge features, respectively. We then introduce a graph-learning method that leverages the spatiotemporal graph to address the FXRP problem. In the second step, we present a stochastic optimization problem to exploit FXSAs while accounting for the observation-execution time lag. To address this problem, we propose a graph-learning method that enforces constraints through projection and ReLU, maximizes risk-adjusted return by leveraging a graph with exchanges as nodes and influence relationships as edges, and utilizes the predictions from the FXRP method for the constraint parameters and node features. Moreover, we prove that our FXSA method satisfies empirical arbitrage constraints. The experimental results demonstrate that our FXRP method yields statistically significant improvements in mean squared error, and that the FXSA method achieves a 61.89% higher information ratio and a 45.51% higher Sortino ratio than a benchmark. Our approach provides a novel perspective on FXRP and FXSA within the context of graph learning.

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.