یادگیری آنلاین برای آربیتراژ آماری بدون فرض ایستایی
خلاصه
این سند رویکردی مبتنی بر یادگیری آنلاین برای آربیتراژ آماری معرفی می‌کند. این رویکرد با استراتژی‌های آشنای مبتنی بر مدل‌های بازگشت به میانگین تفاوت دارد؛ روش‌های آن مدل‌ها به فرض‌هایی وابسته‌اند که ممکن است برای فرایندهای تصادفی نامانا به‌طور کلی برقرار نباشند. هدف جایگزین پیشنهادی این است که بدون نیاز به آن فرض‌ها کار کند.
در سند آمده است که این روش تضمین‌های یادگیری قدرتمندی دارد و مبنایی نظری برای سازگاری با ورود داده‌ها فراهم می‌کند. بااین‌حال، توضیحات الگوریتم، تضمین‌های دقیق، قواعد معامله یا نحوه رسیدگی به سبد و هزینه‌های معامله را مشخص نمی‌کند. همچنین هیچ نتیجه تجربی یا مقایسه‌ای ارائه نشده است. بنابراین، این پژوهش به‌عنوان جایگزینی روش‌شناختی کلی مطرح شده و اطلاعات موجود برای ارزیابی سودآوری عملی یا استحکام آن در بازارهای زنده کافی نیست.
ایده‌های کلیدی
- آربیتراژ آماری سنتی اغلب به مدل‌های بازگشت به میانگین و فرض‌های آن‌ها متکی است.
- این فرض‌ها ممکن است برای فرایندهای تصادفی نامانا به‌طور کلی برقرار نباشند.
- جایگزین پیشنهادی از یادگیری آنلاین استفاده می‌کند و به آن فرض‌ها نیاز ندارد.
- سند ادعا می‌کند تضمین‌های یادگیری قدرتمندی وجود دارد، اما جزئیات یا ارزیابی تجربی ارائه نمی‌دهد.
برچسب‌ها
متن کامل
# Online Learning Algorithms for Statistical Arbitrage # Online Learning Algorithms for Statistical Arbitrage Statistical arbitrage is a class of financial trading strategies using mean reversion models. The corresponding techniques rely on a number of assumptions which may not hold for general non-stationary stochastic processes. This paper presents an alternative technique for statistical arbitrage based on online learning which does not require such assumptions and which benefits from strong learning guarantees.
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.