Estimación en línea de diferenciales con reversión a la media para arbitraje estadístico

Resumen

Este artículo desarrolla un enfoque de espacio de estados para modelar diferenciales con reversión a la media utilizados en arbitraje estadístico, incluido el trading de pares. Trata los diferenciales observados como lecturas ruidosas de estados ocultos y usa estimaciones en tiempo real de esos estados para identificar ineficiencias temporales del mercado. El marco amplía modelos lineales gaussianos de espacio de estados anteriores al permitir que los parámetros cambien con el tiempo, lo que ayuda a adaptar las estimaciones cuando cambia el proceso generador de datos.

Los autores también presentan un algoritmo de estimación en línea pensado para funcionar de forma continua, incluso con datos de alta frecuencia, y producir medidas de incertidumbre para los parámetros estimados. Describen experimentos con simulaciones de Monte Carlo y datos históricos de renta variable, incluida una relación de cointegración entre dos fondos cotizados. El documento no ofrece cifras de rendimiento ni análisis de costes de trading, por lo que no demuestra que las ineficiencias detectadas se traduzcan en excesos de rentabilidad ejecutables. La evidencia se describe a grandes rasgos y no aporta aquí suficiente detalle para evaluar su robustez.

Ideas clave

• El marco modela los diferenciales observados como realizaciones ruidosas de estados ocultos en un proceso lineal gaussiano de espacio de estados.
• Permitir que los parámetros del modelo varíen con el tiempo facilita la adaptación a los cambios en los datos.
• Un algoritmo en línea estima el diferencial latente y sus parámetros en tiempo real.
• Las medidas de incertidumbre de los parámetros pueden ayudar a supervisar la reversión a la media.
• Se describen ejemplos de Monte Carlo y de renta variable histórica, incluida una relación de cointegración entre dos ETF.

Etiquetas

# Dynamic modeling of mean-reverting spreads for statistical arbitrage


# Dynamic modeling of mean-reverting spreads for statistical arbitrage









Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.

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.