Aprendizaje en línea para arbitraje estadístico sin supuestos de estacionariedad

Resumen

Este documento presenta un enfoque de aprendizaje en línea para el arbitraje estadístico. Lo compara con estrategias conocidas basadas en modelos de reversión a la media, cuyas técnicas dependen de supuestos que pueden fallar en procesos estocásticos no estacionarios generales. La alternativa propuesta pretende funcionar sin esos supuestos.

El documento afirma que el método ofrece sólidas garantías de aprendizaje, lo que sugiere una base teórica para adaptarse a medida que llegan los datos. Sin embargo, la descripción no especifica el algoritmo, las garantías concretas, las reglas de trading ni cómo se gestionan la cartera y los costes de transacción. Tampoco presenta resultados empíricos ni comparaciones. Por tanto, la contribución se plantea como una alternativa metodológica general; la información disponible no basta para evaluar su rentabilidad práctica ni su robustez en mercados reales.

Ideas clave

• El arbitraje estadístico tradicional suele basarse en modelos de reversión a la media y sus supuestos.
• Es posible que esos supuestos no se cumplan en procesos estocásticos no estacionarios generales.
• La alternativa propuesta utiliza aprendizaje en línea y no requiere esos supuestos.
• El documento afirma que ofrece sólidas garantías de aprendizaje, pero no aporta detalles ni una evaluación empírica.

Etiquetas

# Online Learning Algorithms for Statistical Arbitrage


# Online Learning Algorithms for Statistical Arbitrage









Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.

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.