حداقل مربعات انعطاف‌پذیر برای آربیتراژ آماری پویا
خلاصه
این مقاله بررسی می‌کند چگونه می‌توان روابط متغیر میان چند جریان داده در حال تحول را مدل‌سازی کرد. تمرکز آن بر حداقل مربعات انعطاف‌پذیر (FLS) است؛ روشی که با افزودن جریمه‌ای به حداقل مربعات معمولی، اجازه می‌دهد ضرایب رگرسیون تغییر کنند و نیازی به مدل احتمالاتی محدودکننده برای این وابستگی‌ها ندارد. آربیتراژ آماری، کاربرد مالی انگیزه‌بخش این روش است.
نویسندگان هم‌ارزی جبری میان FLS و معادلات فیلتر کالمن را نشان می‌دهند و از این ارتباط برای روشن‌کردن روش و پیشنهاد الگوریتمی کارآمدتر استفاده می‌کنند. آن‌ها آزمایش‌های امیدوارکننده‌ای را از یک سامانه معاملات الگوریتمی به‌کاررفته روی شاخص آتی S&P 500 گزارش می‌کنند. توضیحات ارائه‌شده قواعد معامله، دوره ارزیابی، هزینه‌ها، معیار مقایسه یا عملکرد عددی را مشخص نمی‌کند؛ بنابراین شواهد محدودی برای سودآوری عملی فراهم می‌آورد. بر اساس شرح موجود، سهم اصلی مقاله رویکرد برآورد پویا و ارتباط محاسباتی آن با روش‌های فیلترگذاری است.
ایده‌های کلیدی
- FLS روابط میان جریان‌های داده در حال تحول را برآورد می‌کند و اجازه می‌دهد ضرایب رگرسیون در طول زمان تغییر کنند.
- صورت‌بندی حداقل مربعات جریمه‌شده آن، از تحمیل قانون احتمالاتی محدودکننده بر وابستگی‌های متغیر پرهیز می‌کند.
- مقاله هم‌ارزی جبری میان FLS و معادلات فیلتر کالمن را اثبات می‌کند.
- از این هم‌ارزی برای توضیح روش و پیشنهاد الگوریتمی کارآمدتر استفاده می‌شود.
- آزمایش‌های سامانه معاملاتی شاخص آتی S&P 500 امیدوارکننده توصیف شده‌اند، اما شواهد دقیق عملکردی ارائه نشده است.
برچسب‌ها
متن کامل
# Flexible least squares for temporal data mining and statistical arbitrage # Flexible least squares for temporal data mining and statistical arbitrage A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.
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.