خوشه‌بندی گراف برای آربیتراژ آماری چندجفتی در سهام آمریکا
خلاصه
این پژوهش چارچوبی برای آربیتراژ آماری چندجفتی در سهام آمریکا پیشنهاد می‌کند که از خوشه‌بندی گراف برای شناسایی روابط میان سهام استفاده می‌کند. این چارچوب روش‌های کمی را با طبقه‌بندهای یادگیری ماشین و معیار کلی ترکیب می‌کند و هدف آن بهبود تشخیص سیگنال، مدیریت ریسک و تاب‌آوری در برابر هزینه‌های تراکنش است. رویکرد همچنین روش‌هایی را برای تعیین قواعد برداشت سود و حد ضرر در معاملات روزانه می‌آزماید.
نویسندگان گزارش می‌کنند که همه رویکردهای آزموده‌شده با فرض هزینه‌های واقع‌گرایانه تراکنش از معیارهای مقایسه متناظر بهتر عمل می‌کنند و ترکیب‌های برتر روش و پارامتر، سنجه‌های عملکرد بسیار بهتری به دست می‌دهند. همچنین به حساسیت نتایج نسبت به تغییر برخی پارامترهای کلیدی اشاره می‌کنند. سند سهام، دوره ارزیابی، معیارهای مقایسه دقیق، فرض‌های هزینه یا دامنه حساسیت را مشخص نمی‌کند؛ در نتیجه ارزیابی مستقل و نتیجه‌گیری درباره عملکرد خارج از چارچوب آزموده‌شده محدود است.
ایده‌های کلیدی
- خوشه‌بندی گراف برای سازمان‌دهی سهام در استراتژی آربیتراژ آماری چندجفتی به کار می‌رود.
- چارچوب، طبقه‌بندهای یادگیری ماشین، روش‌های کمی و معیار کلی را ترکیب می‌کند.
- تشخیص سیگنال و کنترل ریسک شامل بهینه‌سازی قواعد روزانه برداشت سود و حد ضرر است.
- نویسندگان با فرض هزینه‌های واقع‌گرایانه تراکنش، عملکرد بهتر از معیار مقایسه را گزارش می‌کنند.
- عملکرد گزارش‌شده به برخی تغییرات پارامتر حساس است، اما جزئیات آن ارائه نشده است.
برچسب‌ها
متن کامل
# Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market # Statistical arbitrage in multi-pair trading strategy based on graph clustering algorithms in US equities market The study seeks to develop an effective strategy based on the novel framework of statistical arbitrage based on graph clustering algorithms. Amalgamation of quantitative and machine learning methods, including the Kelly criterion, and an ensemble of machine learning classifiers have been used to improve risk-adjusted returns and increase immunity to transaction costs over existing approaches. The study seeks to provide an integrated approach to optimal signal detection and risk management. As a part of this approach, innovative ways of optimizing take profit and stop loss functions for daily frequency trading strategies have been proposed and tested. All of the tested approaches outperformed appropriate benchmarks. The best combinations of the techniques and parameters demonstrated significantly better performance metrics than the relevant benchmarks. The results have been obtained under the assumption of realistic transaction costs, but are sensitive to changes in some key parameters.
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.