معامله بهینه با یادگیری در مدل‌های آلفای پنهان
خلاصه
این مقاله معامله بهینه را بررسی می‌کند، هنگامی که سیگنال آربیتراژ آماری از عوامل پنهانی می‌آید که باعث جهش و انتشار قیمت‌ها می‌شوند. سفارش‌های معامله‌گر نیز می‌توانند بر قیمت‌های مظنه‌شده و قیمت‌های اجراشده اثر بگذارند؛ بنابراین، مسئله هم وضعیت‌های نامطمئن بازار و هم اثر قیمتی خود معامله‌گر را دربرمی‌گیرد. روش پیشنهادی توزیع پسین حالت‌های پنهان را رهگیری می‌کند و از آن برای حل صریح مسئله معامله بهره می‌گیرد. قضیه‌ای برای اعتبارسنجی از راه‌حل پشتیبانی می‌کند و گونه‌ای از بیشینه‌سازی امید ریاضی–بیشینه‌سازی نیز راهی برای واسنجی مدل فراهم می‌آورد.
شبیه‌سازی‌ها استراتژی آگاه از یادگیری را با استراتژی‌هایی مقایسه می‌کنند که یادگیری حالت پنهان را نادیده می‌گیرند و مقاله نتایج واسنجی با استفاده از سهام Intel را گزارش می‌دهد. این نمونه‌ها رویکرد را نشان می‌دهند، اما توضیح ارائه‌شده نتایج عددی عملکرد یا جزئیات فرض‌های مدل را دربرنمی‌گیرد. بنابراین، یافته‌ها چارچوبی برای مدل‌سازی و حل مسئله ارائه می‌دهند، نه نمایشی از عملکرد آن در بازارهای مختلف یا شرایط معامله زنده.
ایده‌های کلیدی
- عوامل پنهان می‌توانند هم جهش و هم انتشار قیمت‌های مورد استفاده در آربیتراژ آماری را ایجاد کنند.
- سفارش‌های معامله‌گر ممکن است بر قیمت‌های مظنه‌شده و قیمت‌های دریافتی هنگام اجرا اثر بگذارند.
- استراتژی توزیع پسین حالت‌های پنهان را یاد می‌گیرد و برای انتخاب معامله از آن استفاده می‌کند.
- یک قضیه صحه‌گذاری و گونه‌ای از الگوریتم بیشینه‌سازی امیدریاضی از حل و واسنجی پشتیبانی می‌کنند.
- شبیه‌سازی‌ها رویکرد را با استراتژی‌هایی مقایسه می‌کنند که یادگیری حالت پنهان را کنار می‌گذارند.
برچسب‌ها
متن کامل
# Trading algorithms with learning in latent alpha models # Trading algorithms with learning in latent alpha models Alpha signals for statistical arbitrage strategies are often driven by latent factors. This paper analyses how to optimally trade with latent factors that cause prices to jump and diffuse. Moreover, we account for the effect of the trader's actions on quoted prices and the prices they receive from trading. Under fairly general assumptions, we demonstrate how the trader can learn the posterior distribution over the latent states, and explicitly solve the latent optimal trading problem. We provide a verification theorem, and a methodology for calibrating the model by deriving a variation of the expectation-maximization algorithm. To illustrate the efficacy of the optimal strategy, we demonstrate its performance through simulations and compare it to strategies which ignore learning in the latent factors. We also provide calibration results for a particular model using Intel Corporation stock as an example.
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.