Moindres carrés flexibles pour l’arbitrage statistique dynamique

Résumé

Cet article étudie la modélisation des relations changeantes entre plusieurs flux de données évoluant dans le temps. Il porte sur les moindres carrés flexibles (FLS), qui modifient les moindres carrés ordinaires à l’aide d’une pénalité permettant aux coefficients de régression de varier, sans imposer de modèle probabiliste restrictif pour ces dépendances. L’arbitrage statistique constitue l’application financière qui motive cette méthode.

Les auteurs démontrent une équivalence algébrique entre FLS et les équations du filtre de Kalman ; ce lien leur permet de clarifier la méthode et de proposer un algorithme plus efficace. Ils rapportent des expériences prometteuses menées avec un système de trading algorithmique appliqué à l’indice des contrats à terme S&P 500. La description fournie ne précise ni les règles de trading, ni la période d’évaluation, ni les coûts, ni la référence de comparaison, ni les performances chiffrées ; elle apporte donc peu d’éléments sur la rentabilité pratique. D’après la description, sa contribution principale réside dans l’approche d’estimation dynamique et son lien computationnel avec les méthodes de filtrage.

Idées clés

• FLS estime les relations entre des flux de données évolutifs en permettant aux coefficients de régression de varier dans le temps.
• Sa formulation en moindres carrés avec pénalité évite d’imposer une loi probabiliste restrictive aux dépendances changeantes.
• L’article établit une équivalence algébrique entre FLS et les équations du filtre de Kalman.
• Cette équivalence sert à expliquer la méthode et à motiver un algorithme plus efficace.
• Des expériences sur un système de trading appliqué à un indice de contrats à terme S&P 500 sont décrites comme prometteuses, mais les éléments détaillés sur les performances manquent.

Étiquettes

# Flexible least squares for temporal data mining and statistical arbitrage


# Flexible least squares for temporal data mining and statistical arbitrage









A number of recent emerging applications call for studying data streams, potentially infinite flows of information updated in real-time. When multiple co-evolving data streams are observed, an important task is to determine how these streams depend on each other, accounting for dynamic dependence patterns without imposing any restrictive probabilistic law governing this dependence. In this paper we argue that flexible least squares (FLS), a penalized version of ordinary least squares that accommodates for time-varying regression coefficients, can be deployed successfully in this context. Our motivating application is statistical arbitrage, an investment strategy that exploits patterns detected in financial data streams. We demonstrate that FLS is algebraically equivalent to the well-known Kalman filter equations, and take advantage of this equivalence to gain a better understanding of FLS and suggest a more efficient algorithm. Promising experimental results obtained from a FLS-based algorithmic trading system for the S&P 500 Futures Index are reported.

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.