برآورد برخط فضای حالت برای اسپردهای بازگشت‌پذیر به میانگین در آربیتراژ آماری
خلاصه
این مقاله رویکردی فضای حالتی برای مدل‌سازی اسپردهای بازگشت‌پذیر به میانگین در آربیتراژ آماری، از جمله معامله جفتی، توسعه می‌دهد. اسپردهای مشاهده‌شده را خوانش‌هایی نویزی از حالت‌های پنهان در نظر می‌گیرد و از برآوردهای بلادرنگ این حالت‌ها برای شناسایی ناکارایی‌های موقت بازار استفاده می‌کند. این چارچوب مدل‌های پیشین فضای حالت خطی گاوسی را با امکان تغییر پارامترها در طول زمان گسترش می‌دهد و کمک می‌کند برآوردها با تغییر فرایند تولید داده سازگار شوند.
نویسندگان همچنین الگوریتمی برای برآورد برخط معرفی می‌کنند که قرار است پیوسته، از جمله با داده‌های پربسامد، اجرا شود و معیارهای عدم‌قطعیت پارامترهای برآوردشده را تولید کند. آن‌ها آزمایش‌هایی با شبیه‌سازی مونت‌کارلو و داده‌های تاریخی سهام، از جمله رابطه هم‌انباشتگی میان دو صندوق قابل‌معامله در بورس، شرح می‌دهند. سند ارقام عملکرد یا تحلیلی از هزینه‌های معامله ارائه نمی‌کند؛ بنابراین ثابت نمی‌کند که ناکارایی‌های شناسایی‌شده به بازده اضافی قابل‌اجرا تبدیل می‌شوند. شواهد در سطحی کلی توصیف شده‌اند و جزئیات کافی برای ارزیابی استحکام ندارند.
ایده‌های کلیدی
- این چارچوب اسپردهای مشاهده‌شده را به‌صورت تحقق‌های نویزی حالت‌های پنهان در فرایند فضای حالت خطی گاوسی مدل می‌کند.
- امکان تغییر پارامترهای مدل در طول زمان، سازگاری با داده‌های متغیر را فراهم می‌کند.
- الگوریتمی برخط، اسپرد نهفته و پارامترها را در زمان واقعی برآورد می‌کند.
- معیارهای عدم‌قطعیت پارامترها می‌توانند به پایش بازگشت به میانگین کمک کنند.
- نمونه‌های مونت‌کارلو و سهام تاریخی شرح داده می‌شوند، از جمله رابطه هم‌انباشتگی میان دو ETF.
برچسب‌ها
متن کامل
# Dynamic modeling of mean-reverting spreads for statistical arbitrage # Dynamic modeling of mean-reverting spreads for statistical arbitrage Statistical arbitrage strategies, such as pairs trading and its generalizations, rely on the construction of mean-reverting spreads enjoying a certain degree of predictability. Gaussian linear state-space processes have recently been proposed as a model for such spreads under the assumption that the observed process is a noisy realization of some hidden states. Real-time estimation of the unobserved spread process can reveal temporary market inefficiencies which can then be exploited to generate excess returns. Building on previous work, we embrace the state-space framework for modeling spread processes and extend this methodology along three different directions. First, we introduce time-dependency in the model parameters, which allows for quick adaptation to changes in the data generating process. Second, we provide an on-line estimation algorithm that can be constantly run in real-time. Being computationally fast, the algorithm is particularly suitable for building aggressive trading strategies based on high-frequency data and may be used as a monitoring device for mean-reversion. Finally, our framework naturally provides informative uncertainty measures of all the estimated parameters. Experimental results based on Monte Carlo simulations and historical equity data are discussed, including a co-integration relationship involving two exchange-traded funds.
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.