Filtro de Kalman neuronal y bandas de Bollinger para trading de pares

Resumen

El documento presenta KBPT, una política de trading de pares que combina un filtro de Kalman, señales de bandas de Bollinger y una red neuronal basada en la arquitectura KalmanNet. Las versiones tradicionales modelan la relación entre dos activos como un proceso lineal de espacio de estados con ruido gaussiano. Como este modelo quizá solo aproxime el comportamiento del par, los indicadores y las operaciones resultantes pueden ser poco fiables. En cambio, KBPT utiliza un modelo ampliado de espacio de estados que permite la cointegración parcial y aprende a mejorar el proceso de seguimiento.

El entrenamiento se realiza en dos etapas: primero se ajusta el algoritmo de seguimiento sin un objetivo de trading; después se adapta para seguir indicadores de forma que busque maximizar los ingresos y aproxime las decisiones de las bandas de Bollinger mediante una transformación diferenciable. Los autores informan de mayores ingresos que los referentes basados en modelos y en datos para distintos activos. La descripción no ofrece la lista de activos, el periodo de evaluación, los supuestos sobre costes de transacción ni resultados cuantitativos, lo que limita la evaluación de la robustez y la relevancia para el trading en vivo.

Ideas clave

• El método amplía el trading de pares con filtro de Kalman y bandas de Bollinger mediante una red neuronal basada en KalmanNet.
• Su modelo ampliado de espacio de estados representa la relación entre activos como cointegrada parcialmente.
• El entrenamiento primero ajusta el seguimiento de forma independiente y luego lo adapta a los indicadores y objetivos de ingresos.
• Una transformación diferenciable aproxima las decisiones de trading de las bandas de Bollinger.
• Los autores informan de mayores ingresos que los referentes basados en modelos y en datos para varios activos.

Etiquetas

# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading


# Neural Augmented Kalman Filtering with Bollinger Bands for Pairs Trading









Pairs trading is a family of trading techniques that determine their policies based on monitoring the relationships between pairs of assets. A common pairs trading approach relies on describing the pair-wise relationship as a linear Space State (SS) model with Gaussian noise. This representation facilitates extracting financial indicators with low complexity and latency using a Kalman Filter (KF), that are then processed using classic policies such as Bollinger Bands (BB). However, such SS models are inherently approximated and mismatched, often degrading the revenue. In this work, we propose KalmenNet-aided Bollinger bands Pairs Trading (KBPT), a deep learning aided policy that augments the operation of KF-aided BB trading. KBPT is designed by formulating an extended SS model for pairs trading that approximates their relationship as holding partial co-integration. This SS model is utilized by a trading policy that augments KF-BB trading with a dedicated neural network based on the KalmanNet architecture. The resulting KBPT is trained in a two-stage manner which first tunes the tracking algorithm in an unsupervised manner independently of the trading task, followed by its adaptation to track the financial indicators to maximize revenue while approximating BB with a differentiable mapping. KBPT thus leverages data to overcome the approximated nature of the SS model, converting the KF-BB policy into a trainable model. We empirically demonstrate that our proposed KBPT systematically yields improved revenue compared with model-based and data-driven benchmarks over various different assets.

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.