Trading óptimo con aprendizaje en modelos de alfa latente

Resumen

Este artículo estudia el trading óptimo cuando una señal de arbitraje estadístico procede de factores ocultos que provocan saltos y difusión en los precios. Las órdenes del operador también pueden afectar a los precios cotizados y de ejecución, por lo que el problema incluye tanto estados de mercado inciertos como el propio impacto de sus operaciones en los precios. El método propuesto sigue la distribución posterior de los estados latentes y la utiliza para resolver explícitamente el problema de trading. Un teorema de verificación respalda la solución, mientras que una variante del algoritmo de esperanza-maximización permite calibrar el modelo.

Las simulaciones comparan la estrategia que tiene en cuenta el aprendizaje con estrategias que ignoran el aprendizaje de estados latentes, y el artículo presenta resultados de calibración con acciones de Intel. Estos ejemplos ilustran el enfoque, pero la descripción proporcionada no incluye resultados numéricos de rendimiento ni detalla los supuestos del modelo. Por tanto, los hallazgos establecen un marco de modelización y solución, pero no muestran cómo funciona en distintos mercados ni en condiciones de trading real.

Ideas clave

• Los factores latentes pueden provocar tanto saltos como difusión en los precios utilizados para el arbitraje estadístico.
• Las órdenes de un operador pueden afectar a los precios cotizados y a los precios que obtiene al ejecutarlas.
• La estrategia aprende una distribución posterior de estados ocultos y la utiliza para decidir las operaciones.
• Un teorema de verificación y una variante del algoritmo de esperanza-maximización respaldan la solución y la calibración.
• Las simulaciones comparan el enfoque con estrategias que omiten el aprendizaje de estados latentes.

Etiquetas

# Trading algorithms with learning in latent alpha models


# Trading algorithms with learning in latent alpha models









Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.

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.