Apprentissage de politiques par autoencodeur de bout en bout pour l’arbitrage statistique

Résumé

Cette étude explore les autoencodeurs pour l’arbitrage statistique sur les actions US. Dans un processus classique en deux étapes, un modèle d’évaluation ou d’analyse en composantes principales identifie un actif synthétique, puis une stratégie distincte de retour à la moyenne produit les signaux de trading. Les auteurs entraînent d’abord un autoencodeur standard sur les rendements des actions et élaborent des stratégies autour d’un processus d’Ornstein-Uhlenbeck. Ils intègrent ensuite l’autoencodeur dans une représentation neuronale des politiques de portefeuille qui produit directement les allocations.

Le modèle combiné est entraîné de bout en bout en rétropropageant les rendements ajustés du risque, ce qui relie l’apprentissage de représentations aux décisions de portefeuille. Les résultats rapportés indiquent que cette approche simplifie l’élaboration de stratégies et génère des rendements bruts supérieurs à ceux des autres méthodes comparées. Le résumé ne donne ni période d’évaluation, ni résultats ajustés du risque ou nets de coûts, ni détails de comparaison, ni preuve de performance en dehors du cadre étudié. L’avantage rapporté constitue donc un résultat de recherche, et non une garantie de rentabilité en trading réel.

Idées clés

• L’article applique à l’arbitrage statistique des autoencodeurs entraînés sur les rendements d’actions US.
• Une approche de référence utilise un autoencodeur pour identifier un actif synthétique et une stratégie de retour à la moyenne fondée sur le processus d’Ornstein-Uhlenbeck.
• L’architecture de bout en bout intègre l’autoencodeur dans un réseau qui produit directement les allocations de portefeuille.
• L’entraînement utilise la rétropropagation des rendements de portefeuille ajustés du risque.
• Les auteurs rapportent des rendements bruts supérieurs à ceux des méthodes concurrentes, mais le résumé n’établit pas les performances nettes ou en trading réel.

Étiquettes

# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture


# End-to-End Policy Learning of a Statistical Arbitrage Autoencoder Architecture









In Statistical Arbitrage (StatArb), classical mean reversion trading strategies typically hinge on asset-pricing or PCA based models to identify the mean of a synthetic asset. Once such a (linear) model is identified, a separate mean reversion strategy is then devised to generate a trading signal. With a view of generalising such an approach and turning it truly data-driven, we study the utility of Autoencoder architectures in StatArb. As a first approach, we employ a standard Autoencoder trained on US stock returns to derive trading strategies based on the Ornstein-Uhlenbeck (OU) process. To further enhance this model, we take a policy-learning approach and embed the Autoencoder network into a neural network representation of a space of portfolio trading policies. This integration outputs portfolio allocations directly and is end-to-end trainable by backpropagation of the risk-adjusted returns of the neural policy. Our findings demonstrate that this innovative end-to-end policy learning approach not only simplifies the strategy development process, but also yields superior gross returns over its competitors illustrating the potential of end-to-end training over classical two-stage approaches.

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.