شبکه‌های عصبی عمیق برای آربیتراژ آماری پایدار
خلاصه
این سند روشی داده‌محور برای یافتن استراتژی‌های آربیتراژ آماری شرح می‌دهد که می‌کوشند در شرایط عدم‌قطعیت درباره مدل بازار سودآور بمانند. روش از شبکه‌های عصبی عمیق استفاده می‌کند تا چندین اوراق بهادار را با هم بررسی کند و نیاز به شناسایی قبلی جفت‌های هم‌انباشت را برطرف سازد. این کار رویکرد را به بازارهای پُربُعدتر و موقعیت‌هایی گسترش می‌دهد که معامله متعارف جفتی ممکن است در آن‌ها خوب عمل نکند.
این روش همچنین مجموعه‌ای از سنجه‌های احتمالِ ممکن را از داده‌های مشاهده‌شده بازار می‌سازد تا ابهام مدل را بازنمایی کند. نویسندگان رویکرد حاصل را مستقل از مدل توصیف می‌کنند. آن‌ها بررسی‌های تجربی با عملکرد سودآور را در ابعادی تا 50 گزارش می‌دهند، از جمله در دوره‌های بحران مالی و پس از آن‌که روابط هم‌انباشت دوتایی دیگر پایدار نمی‌مانند. گزیده مجموعه‌داده‌ها، طراحی ارزیابی، فرض‌های هزینه یا معیارهای دقیق عملکرد را ارائه نمی‌کند؛ بنابراین برای ارزیابی استحکام در معامله زنده یا بازتولید یافته‌ها کافی نیست.
ایده‌های کلیدی
- برای یافتن استراتژی‌های آربیتراژ آماری در شرایط ابهام مدل از شبکه‌های عصبی عمیق استفاده می‌شود.
- این روش می‌تواند اوراق بهادار متعددی را بدون نیاز به جفت‌های هم‌انباشت بررسی کند.
- مجموعه‌ای از سنجه‌های احتمالِ ممکن بر پایه داده‌های مشاهده‌شده ساخته می‌شود.
- بررسی‌های تجربی گزارش‌شده دوره‌های بحران و موارد ازهم‌گسیختن هم‌انباشت را دربر می‌گیرند.
- گزیده جزئیات آزمون و فرض‌های هزینه معاملاتی لازم برای ارزیابی عملکرد عملی را ارائه نمی‌کند.
برچسب‌ها
متن کامل
# Detecting data-driven robust statistical arbitrage strategies with deep neural networks # Detecting data-driven robust statistical arbitrage strategies with deep neural networks We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.