Réseaux neuronaux profonds pour l’arbitrage statistique robuste

Résumé

Le document décrit une méthode fondée sur les données pour trouver des stratégies d’arbitrage statistique qui cherchent à rester rentables malgré l’incertitude du modèle de marché. Elle utilise des réseaux neuronaux profonds pour examiner de nombreux titres simultanément, sans devoir d’abord identifier des paires cointégrées. Cette approche s’étend ainsi aux marchés de plus grande dimension et aux situations où le trading par paires classique peut être peu adapté.

La méthode construit également, à partir des données de marché observées, un ensemble de mesures de probabilité plausibles pour représenter l’ambiguïté du modèle. Les auteurs qualifient l’approche qui en résulte de libre de modèle. Ils rapportent des études empiriques faisant état de performances rentables jusqu’à une dimension de 50, y compris pendant des crises financières et après la disparition des relations de cointégration par paires. L’extrait ne fournit ni jeux de données, ni protocole d’évaluation, ni hypothèses de coûts, ni mesures détaillées des performances ; il ne suffit donc pas pour évaluer la robustesse en trading réel ou reproduire les résultats.

Idées clés

• Des réseaux neuronaux profonds servent à identifier des stratégies d’arbitrage statistique malgré l’ambiguïté du modèle.
• La méthode peut examiner de nombreux titres sans exiger de paires cointégrées.
• Un ensemble de mesures de probabilité plausibles est construit à partir des données observées.
• Les études empiriques rapportées couvrent des périodes de crise et des cas où la cointégration cesse de tenir.
• L’extrait omet les détails des tests et les hypothèses de coûts de trading nécessaires à l’évaluation des performances pratiques.

Étiquettes

# Detecting data-driven robust statistical arbitrage strategies with deep neural networks


# Detecting data-driven robust statistical arbitrage strategies with deep neural networks









We present an approach, based on deep neural networks, that allows identifying robust statistical arbitrage strategies in financial markets. Robust statistical arbitrage strategies refer to trading strategies that enable profitable trading under model ambiguity. The presented novel methodology allows to consider a large amount of underlying securities simultaneously and does not depend on the identification of cointegrated pairs of assets, hence it is applicable on high-dimensional financial markets or in markets where classical pairs trading approaches fail. Moreover, we provide a method to build an ambiguity set of admissible probability measures that can be derived from observed market data. Thus, the approach can be considered as being model-free and entirely data-driven. We showcase the applicability of our method by providing empirical investigations with highly profitable trading performances even in 50 dimensions, during financial crises, and when the cointegration relationship between asset pairs stops to persist.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.